Jun, 2021

可以提供进一步帮助吗？使用非结构化知识访问来改善任务导向的对话建模

HTML
PDF
TL;DR本研究针对限定领域API的局限性，采用一种基于查询-选择-回应的方法，引入了外部非结构化知识资源，通过对话上下文信息的提取和增强实现了对超出API覆盖范围用户请求的响应，并在DSTC9 Track 1基准数据集上实现了全自动和人工评估的最优性能，验证了我们的贡献的有效性。
发现论文，激发创造
  • 利用常识知识增强端到端对话系统

    本文研究了将常识知识有效地集成到对话模型中的影响，并在基于检索的情境下提出了Tri-LSTM模型，将消息和常识联合起来选择适当的响应，实验证明知识增强模型比无知识模型在自动评估中表现更好。

    Sep, 2017

  • 使用参数学习任务导向对话系统的知识库

    本文提出了一种将知识库（KB）嵌入到模型参数中的方法，从而实现无需在交互中使用DST或模板响应以及KB作为输入的端到端对话系统；实验证明，基于该方法的端到端模型在各种KB大小下能够实现优异的性能。

    Sep, 2020

  • 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

  • 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

  • 面向任务的对话中基于非结构化知识的高效检索增强生成

    本文总结了我们在第九届对话系统技术挑战赛（DSTC 9）第一轨中的工作，我们提出了一种基于层次分类和序列嵌入的检索和生成方法，以实现针对任务导向对话中利用非结构化文本信息的回答生成。

    Feb, 2021

  • 开放域对话中的多句知识选择

    提出对话知识选择的新框架和数据集，用于评估现有方法的不足之处，并通过神经重排序模型改进评估结果，出色地完成了对话回复

    Mar, 2022

  • Q-TOD: 基于查询的任务导向对话系统

    本文介绍了一种新的基于查询驱动的任务对话系统，即Q-TOD，该系统可将对话上下文的关键信息提取为查询，进而用于检索相关的知识记录以形成响应生成，它能够显著缓解领域适应性和知识库可扩展性的问题，实验结果表明，Q-TOD优于现有系统并在公开数据集上取得了最新的最佳表现。

    Oct, 2022

  • 一个面向开放领域对话生成的知识即插即用测试平台

    构建基于知识的开放领域对话生成技术旨在利用挖掘的知识与人类进行闲聊。本文提出了一个高质量的多源对话知识选择和生成评估基准，名为multi-source Wizard of Wikipedia（Ms.WoW），用于评估多源对话知识选择和生成。与现有数据集不同的是，它包含了清晰的支持知识，以话语为单位分成多个知识来源。我们进一步提出了一个新挑战，即对话知识即插即用，旨在以零-shot的方式测试已经训练好的对话模型在使用未见过的新知识来源时的能力。

    Mar, 2024

  • 嘈杂信道的力量：无监督端到端任务导向对话的LLMs

    通过使用未标注的数据和模式定义，我们开发了一种新方法来构建一个完全无监督的面向任务的对话系统，该系统可以在迭代中通过期望最大化方法逐渐改进伪标签，并利用这些标签来训练一个端到端的对话代理，其在MultiWOZ基准测试上的成功率超过了强大的GPT-3.5基准的两倍。

    Apr, 2024

  • 通过合成生成间接用户请求，使任务导向对话数据集更加自然

    利用LLM-based技术生成任务导向对话系统中的间接用户请求数据集，用于测试自然语言理解和对话状态跟踪模型在真实场景中的表现。

    Jun, 2024