AAAIJan, 2021

微信 AI 和 ICT 提交 DSTC9 交互对话评估赛道

PDF
TL;DR本论文介绍并参加了 DSTC9 互动式对话评估赛中的子任务一和子任务二，提出了预训练语言模型用于生成与特定话题相关的回复，并提出了回复集合方法，同时提出了用于捕获与人类互动中对话流程的对话策划模型，设计了一种集成的开放域对话系统，具有流畅，连贯，连贯和人类特征的响应，并在子任务一中获得了第一名的人类评分和最高的 Meteor 和 Bert 分数，在子任务二中排名第三。
dstc9interactive dialogue evaluationknowledge grounded dialoguedialogue planning modelopen-domain dialogue system
发现论文，激发创造
  • 基于文档支持的任务型对话系统：HLTPR@RWTH 在 DSTC9 和 DSTC10 上的研究

    本文总结了我们在第 9 和 10 个对话系统技术挑战赛（DSTC9 和 DSTC10）的文档驱动对话任务中的贡献，包括知识选择，数据增强，响应生成和评估指标等领域。

    Apr, 2023

  • DSTC9 中的对话跟踪交互式评估

    该论文介绍了针对开放领域对话系统的交互式评估方法，为开发基于知识的响应生成模型，探索将其扩展到与真实用户的交互中提供挑战，从而介绍了从静态语料库到交互式评估的进展，以及如何最好评估开放领域对话模型的见解。

    Jul, 2022

  • DSTC9 中基于任务的对话建模与非结构化知识访问跟踪的超越领域 API

    任务驱动的对话系统使用外部非结构化知识源来扩展任务领域 API 的覆盖范围，三个任务包括知识寻找、选择和响应生成，并用集成方法和大规模预训练语言模型取得了高性能。

    Jan, 2021

  • 面向任务对话系统的实体感知知识检索与生成响应的复制机制学习

    本文描述利用预训练语言模型及粗层次知识信息进行基于任务的对话建模，实现对话历史和知识访问的响应生成，并在模型最终输出的基础上进行后处理策略以进一步提升知识应用，在客观指标下获得第二名，在人类指标下获得第四名的实验结果。

    Dec, 2020

  • DSTC8 中的基于模式引导的对话状态跟踪任务

    本文介绍了第 8 届对话系统技术挑战赛的 Schema-Guided 对话状态跟踪任务，其目标是开发适用于大型虚拟助手的对话状态跟踪模型，重点是跨域的数据高效联合建模和新 API 的零 - shot 推广。本任务提供了一个包含 16 个领域超过 16000 个对话的数据集，其中包括一个能够零 - shot 推广到新 API 的基线模型。本文介绍了任务定义、数据集和评估方法，并概述了提交系统的方法和结果，以突出现今最先进技术的总体趋势。

    Feb, 2020

  • 基于对话的意图识别：DSTC 11 面向任务导向对话任务的研究

    本文提出一个针对客户服务交互的自动感知意图的基准测试，探讨了虚拟助手、bot 架构设计、意图识别、客户服务交互和评估方法方面的研究成果，并在挑战中收到了来自 34 个团队的提交和结果。

    Apr, 2023

  • DSTC9 的第九届对话系统技术挑战赛综述

    介绍了第九届 Dialog System Technology Challenge (DSTC-9)，重点介绍使用端到端对话技术的四项任务，包括 1. 带有非结构化知识访问的任务导向型对话建模，2. 多领域任务导向型对话，3. 对话的交互式评估，以及 4. 位置交互式多模对话。讨论了每个任务的任务定义、基线和评估设置，总结了提交系统的结果，以突出该领域技术的最新趋势。

    Nov, 2020

  • 面向口语对话的任务导向对话建模的通用模型

    本文介绍了我们在 DSTC-10 上构建对话模型的方法。为缩小口头和书面数据之间的差距，我们采用了大量数据扩增策略，包括人工误差注入和文本转语音转换。我们改良了预训练语言模型，并对每个子任务应用了集成算法，以训练稳健的口头对话模型。我们的方法在官方评估中排名第三，在最终的正式人类评估中排名第二。

    Mar, 2022

  • 使用数据增强和噪声通道模型将基于文档的对话系统适应为口语对话

    本文介绍了我们在第十届对话系统技术挑战赛第二轨知识引导的任务导向对话建模中的提交内容。在适应 ASR 转录的噪声方面探索不同的方法来使得模型更加健壮，并采用噪声通道模型来适应口语交流的风格。我们的最佳系统在挑战的自动和人工评估中分别排名第一和第三。

    Dec, 2021

  • 基于预训练和注意力机制的神经网络构建任务导向对话系统

    本文介绍了我们在 DSTC 8 中的参赛系统，探讨了使用预训练的注意力网络解决多轮对话系统问题的方法以及几种自适应方法来保留对话系统的固有属性。在 DSTC 8 的 Track 2 中发布的评估结果中，我们的模型在任务 1 中排名第四，在任务 2 中排名第三，在任务 3 和任务 4 中分别排名第一。

    Apr, 2020