EMNLPJun, 2021

在线对话学习引用的连续性：话题、互动和查询

PDF
TL;DR本研究探讨了在线对话中自动引用生成的一些特点，基于对话历史、语言一致性的相互作用，以及与查询转的现有内容的一致性等方面对引文的语境一致性进行了捕捉，并采用编码 - 解码神经框架通过语言生成来继续语境，实现引文的自动化。通过英文和中文两个大规模数据集进行实验，结果表明我们的引文生成模型优于现有的最先进模型。进一步的分析显示，主题、交互和查询的一致性都有助于学习如何在在线对话中引用。
quotationsautomatic quotation generationlanguage consistencyencoder-decoder neural frameworkonline conversations
发现论文，激发创造
  • 基于上下文的引文建议

    我们提出了一种新颖的上下文感知引用推荐系统，使用作者已经撰写的内容从给定的源文档中生成可引用的段落和标记跨度的排名列表，通过在演讲转录和新闻文章的集合上进行实验，评估了模型的段落排名和跨度预测性能。

    May, 2020

  • 可验证的设计：将语言模型与预训练数据中的引文对齐

    我们提出了 Quote-Tuning 方法，通过在预训练数据中引用可靠来源的一字不差的陈述，将模型与 Quote 对齐，明显提高了 LLM 生成引文的准确性，同时保持了回应质量，为提高 LLM 的可靠性和核实性打开了新的途径。

    Apr, 2024

  • 基于查询到引语的转换的引语推荐与解释

    该研究介绍了一个直接将查询表示映射到引言表示的转换矩阵，并采用一种映射损失来更好地学习映射关系；此外，还探索使用历史查询中的单词来解释引语的比喻语言，并且在历史查询的基础上应用引文感知注意机制来突出展示关键词。该模型在英文和中文的两个数据集上取得了优于之前的最先进模型的表现。

    May, 2021

  • 层次自注意力网络的主题识别

    提出了一种层次模型，带有自我关注的话题识别技术，并在线性可扩展语料库上的实验证明了其在话题识别和文本分类方面的优异性能。

    Apr, 2019

  • 面向稳健的在线对话响应生成

    通过采用分层抽样的方法，引入了强化学习和重新排序机制，以提高聊天机器人在实际应用场景中的鲁棒性，并缓解聊天机器人在多轮对话中生成不一致响应的问题。

    Mar, 2022

  • 不一致的对话回应及其恢复方法

    研究论文强调了聊天系统的一致性问题，介绍了一个用于研究对话一致性的数据集和一系列任务，实验证明该数据集对于检测和解决会话中的不一致性有显著帮助，同时发现当前流行的大型语言模型如 ChatGPT 在解决不一致性方面表现良好但在检测方面仍存在困难。

    Jan, 2024

  • 会话问答内容理解的实证研究

    该论文研究基于对话问答模型中标准数据集对模型的语义理解能力的反应度以及对话内容对模型回答问题的影响，并指出了 QuAC 和 CoQA 两个常用数据集的一些 潜在问题及其存在的偏见。

    Sep, 2019

  • 神经对话模型和如何控制：失败和修复的调查

    探讨了基于强大语言模型的开放领域会话系统，从语言学角度解释了 Grice 的合作会话标准，并从使得贡献适切的角度系统化了相关文献：神经会话模型必须流畅、信息丰富、一致、连贯，并遵循社会规范。为了确保这些优势，近期的方法尝试通过干预数据、训练模式或解码等方面来控制底层语言模型，我们按照这些类别和干预点讨论了有前途的尝试，并为未来的研究提出了新的方向。

    Aug, 2023

  • 基于互联网的对话生成

    本研究探讨在对话过程中通过搜索引擎来提供最新的知识，在用于生成回复时综合搜索结果的效果优于其他方法，如无搜索或基于 FAISS 检索模型的方法。

    Jul, 2021

  • 对话系统的上下文主题建模

    本文提出了一种上下文感知的谈话主题分类方法，通过引入对话上下文和对话行为特征，扩展了神经主题分类和无监督主题关键词检测的先前研究，以提高谈话中的主题识别准确性和预测用户评价指标。

    Oct, 2018