WWWFeb, 2021

面向任务的个性化对话系统的协作记忆网络 (用户画像不完整)

PDF
TL;DR本文提出了一种无需完整用户信息的个性化任务型对话系统，采用 Cooperative Memory Network 模型逐步丰富用户配置文件，并以此为基础选择个性化回应，实验表明该模型在提高回应准确率的同时具有较强的稳健性。
personalized task-oriented dialogue systemsuser profilingcooperative memory networkresponse selectionrobustness
发现论文，激发创造
  • 个性化端到端目标导向对话学习

    本文提出一种个性化的端到端模型，以应用个性化技术来解决对话系统中的一些悬而未决的问题。该模型结合了 “个人资料模型” 和 “偏好模型” 两个子模型，并实践证明其在对话系统任务完成率和用户满意度等方面取得了良好表现。

    Nov, 2018

  • 利用任务导向对话系统导航连接的记忆

    本文提出一种通过多轮互动对话进行个人媒体检索的方法，并利用一个基于任务的数据集 COMET 对其进行评估和基准测试。

    Nov, 2022

  • 面向人物的非结构化对话生成的神经主题扩展框架

    本文提出了一种神经主题扩展框架：Persona Exploration and Exploitation（PEE），通过利用主题模型，将预定义用户角色与现有的对话语料关联起来，以生成更具一致性的角色响应，使用 P-Match Loss 来提高编码器和解码器中的角色选择。实验结果表明，相比于现有的方法，该方法在自动和人工评估方面表现更好。

    Feb, 2020

  • 使用注意力记忆网络从对话中学习人物角色

    本研究报道了一种基于神经网络模型的人设推理方法，通过对 IMDB 电影台词的编码和特征表示学习，模型能够有效地根据角色类型实现人设嵌入，并应用于电影角色相似性度量和电影聚类。

    Oct, 2018

  • 利用异构记忆网络进行面向任务的对话生成

    介绍一种新的外部记忆网络 -- 异构记忆网络（HMNs），用于解决现有的内存网络在从不同来源利用异构信息方面表现不佳的问题。该方法背景知识元组和历史的对话串都被编码和存储到记忆中，并在译码期间使用门控机制进一步增强了上下文感知性记忆。实验结果表明，与数据驱动的最新任务导向式对话模型相比，使用 HMNs 极大地提高了模型的表现。

    Sep, 2019

  • 面向任务对话的用户建模

    本论文提出一种基于神经网络的端到端用户仿真模型，用于对话系统的自动评估和训练，采用分层序列到序列模型，并利用隐变量模型引入随机变化，以提高仿真用户响应的多样性，并制定了目标正则化机制，以惩罚用户对初始用户目标的偏离。

    Nov, 2018

  • 精益求精：学习精化对话历史以进行个性化对话生成

    本文提出基于大规模数据精化用户对话历史记录的 Persona 信息，设计一个 MSP 模型，利用多层信息精化从用户对话历史记录中稀疏提取最有价值的信息，结合其他相似用户数据提高个性化，实验结果表明我们的模型在生成更多信息和个性化响应方面的优越性。

    Apr, 2022

  • 合作记忆网络用于推荐系统

    本文章提出了一种名为 Collaborative Memory Networks (CMN) 的深度神经网络，可以有效地结合 latent factor model 和 local neighborhood-based structure，而不是单纯地使用 latent factor model，以提高协同过滤推荐系统的精度和效率。实验结果表明，CMN 在三个公共数据集上优于竞争基线。

    Apr, 2018

  • 检索与记忆：使用多动作记忆的对话策略学习

    本研究提出了一种 “检索和记忆” 框架，该框架首先使用神经上下文感知检索模块从训练集中检索多个候选系统操作，然后使用存储增强的多解码器网络在候选操作的条件下生成系统操作的方法，该方法能降噪自适应选择候选操作中的关键信息。实验表明该方法在上下文到回应生成任务中具有竞争力。

    Jun, 2021

  • 从朋友那里学习：基于社交网络的少样本个性化对话系统

    本文提出了一种利用社交网络进行少样本个性化对话的元学习方法，并说明了该方法相较于传统的对话生成方法在适应性、多样性和与说话人的一致性等方面的优势。

    May, 2021