Apr, 2021

DADgraph: 面向多方对话机器阅读理解的话语感知对话图神经网络

PDF
TL;DR提出一种考虑复杂的多方对话话语结构的对话图神经网络模型 DADgraph，并在包含话语结构注释的大规模 MRC 数据集 Molweni 上进行实验验证，实验表明该模型相较于强基线模型在 Molweni 数据集上具有统计学显著的改进。
multiparty dialoguemachine reading comprehensiondialogue discourse structurediscourse-aware dialogue graph neural networkmolweni corpus
发现论文，激发创造
  • 使用话语解析的多任务对话理解

    提出了一个用于多方对话机器阅读理解 (MRC) 的多任务模型，结合问答 (QA) 和话语解析 (DP) 任务，在 Molweni 基准测试中证明了多任务训练不仅受益于 QA 任务，也有助于 DP 任务，当处理更长的对话时，联合模型表现得更强，验证了 DP 在相关 MRC 中的必要性。

    Oct, 2021

  • 面向多方对话阅读理解的指代感知双通道注意力网络

    本文提出了一种针对多方对话阅读理解的注意力模型和编码网络，以增强 MDRC 模型的推理能力，并在 Molweni 和 FriendsQA 等基准语料上获得实验性结果，大幅度提高了模型性能，同时在大多数情况下优于现有最先进水平。

    May, 2023

  • 对话图建模：用于会话式机器阅读的方法

    本文提出了一种对话图建模框架，通过 Discourse Graph、Decoupling Graph 和 Global Graph 三种图来提高机器对复杂问题的理解和推理能力，实现基于给定的规则文档、用户场景和对话历史的交互问答。

    Dec, 2020

  • 面向机器阅读理解的动态融合网络

    本文提出了一种新型神经模型 - Dynamic Fusion Network （DFN），用于机器阅读理解，并使用动态多策略注意过程进行多个步骤的推理来生成答案，发现 DFNs 可以比其他流行的机器阅读理解模型更有效地生成从问题、段落和候选答案中总结信息的注意力向量，并取得了 RACE 数据集中的最佳结果。

    Nov, 2017

  • Molweni：挑战多方对话基础机器阅读理解数据集带有话语结构

    本文介绍了 Molweni 数据集，这是一个具有复杂话语结构的机器阅读理解数据集，其中包含来自 Ubuntu Chat 语料库的 10,000 个多方对话，我们对该数据集进行了超过 30,000 个问题的注释，并为所有多方对话贡献了大规模（78,245 个注释话语关系）的数据。在实验中，该数据集证明了对于当前的 MRC 模型是具有挑战性的。

    Apr, 2020

  • 利用机器阅读理解从文本构建动态知识图谱

    我们提出了一种神经机器阅读模型，它从过程文本中构建动态知识图，并利用它们来跟踪参与实体的演变状态，从而改善机器对文本的理解。

    Oct, 2018

  • GraphFlow：利用图神经网络挖掘对话流程进行对话机器理解

    本研究提出了 GraphFlow 模型，通过图形结构学习技术及 Recurrent Graph Neural Network 有效捕捉了磋商历史，并引入流机制建模上下文图形的时间依赖关系，从而提高了对话流的捕获能力，对 CoQA、QuAC 和 DoQA 等基准测试表现具有竞争力，而且可为推理过程提供良好的可解释性。

    Jul, 2019

  • DER-GCN: 多模态对话情感识别中的对话和事件关系感知图卷积神经网络

    提出了一种新颖的基于对话和事件关系感知的图卷积神经网络用于多模态情感识别，该方法通过建立加权多关系图来捕捉说话者之间的对话关系和事件关系，设计了多重信息变换器以捕捉不同关系之间的相关性，通过对比学习的损失优化策略增强了少数类特征的表示学习能力。实验证明，DER-GCN 模型在情感识别方面显著提高了平均准确率和 F1 值。

    Dec, 2023

  • 多层门控循环神经网络用于对话行为分类

    本文利用多层门控循环神经网络（GRNN）结合非文本信息预测对话行为标签，相较以往方法有显著提高，可应用于自动问答系统中。

    Oct, 2019

  • DialogueGCN: 基于图卷积神经网络的对话情感识别

    本研究介绍了 Dialogue Graph Convolutional Network (DialogueGCN) 的方法，使用图神经网络来进行 Emotion recognition in conversation (ERC)，并通过解决当前循环神经网络方法存在的上下文传播问题来提高情感分类效果。

    Aug, 2019