通过调查可用于数据驱动型对话系统学习的公开数据集,讨论了这些数据集的重要特征,如何使用它们学习不同的对话策略以及它们的其他潜在用途。同时还研究了数据集之间的迁移学习方法和外部知识的应用,并讨论了适当的评估指标选择。
Dec, 2015
本文介绍一种基于神经网络的端到端可训练的目标导向对话系统,以及一种新的数据收集方法,该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统,帮助用户在餐厅搜索领域自然地交流并完成任务。
Apr, 2016
通过研究 Multiwoz 2.1 和 SGD 数据集中的错误,本文证明了任务导向的对话系统中数据集错误是导致对话管理不达到最佳性能的主要原因,并提出了使用合成对话生成器来控制错误量和类型的方法。
Oct, 2023
Alexa Conversations 是一种新的目标导向对话系统构建方法,它使用基于对 API 和实体的规格的对话模拟器来生成对话,提供了对自然对话现象的支持,并通过减轻开发人员的负担来降低了对话系统的创建成本。
Apr, 2021
本文提供了一种 3 步程序来开发满足业务要求的对话模型,包括从历史对话中创建模板、使用神经网络建立对话上下文和业务约束,以及通过自我监督和受训者的方法优化模型,并进行实验验证并在人机交互的环境中应用于商业对话。
Oct, 2022
本研究旨在解决将角色赋予开放领域对话系统的问题,并提出了一个高效的数据收集框架,借助大规模语言模型的上下文少样本学习来构建满足角色约束的对话数据集。在此基础上,通过比较不同架构的开放领域对话系统,在保持其会话能力的同时满足角色约束。研究结果消息表明,我们的模型返回少量越界言论,在一般指标上保持竞争力。
Apr, 2022
通过在大型通用领域对话语料库上预训练反应选择模型,然后利用小型特定领域数据微调预先训练的模型,本论文提出了一种有效的方法来部署任务导向对话中的响应选择,取得了很好的效果。在六个不同的应用领域,从电子商务到银行业,本方法都表现出了良好的效果。
Jun, 2019
提出了一种基于神经网络框架的分层学习方法,通过监督学习和强化学习相结合,实现了对话管理任务中的有效性以及在高噪声的情况下提高性能。
Jun, 2016
使用大型语言模型(LLMs)的上下文学习能力与业务逻辑的确定执行相结合,描述了一种构建面向任务的对话系统的系统。与主要用于行业的基于意图的 NLU 方法相比较,我们的实验表明,使用我们的系统开发聊天机器人所需的工作量明显较少,这些聊天机器人可以成功地进行复杂对话,并且我们的系统对于大规模任务导向的对话系统具有可扩展的有益特性。我们提供了我们的实现用于使用和进一步研究。
Feb, 2024
本文综述了对话管理的三个关键主题:模型可扩展性的提高、对话策略学习的数据稀缺问题和训练效率的提高,以及它们对任务完成性能的影响。
May, 2020