EMNLPSep, 2021

通过协同训练实现非监督式对话解耦

PDF
TL;DR本文提出了一种利用深度协同训练算法，在没有人工标注数据的情况下，训练会话分离模型的方法。该方法由两个神经网络：消息对分类器和会话分类器组成，分别用于检索两条消息之间的本地关系，以及通过捕获上下文感知信息将消息分类到会话中。实验结果表明，本方法在多方响应选择下游任务中具有竞争力。
conversation disentanglementdeep co-training algorithmneural networksunannotated corpusreinforcement learning
发现论文，激发创造
  • 双层对比度学习实现对话区分

    该研究提出了一种基于双层对比学习的通话分离模型，旨在处理多方对话中的基本任务，同时在有监督和无监督学习的设置下，均可取得最先进的性能表现。

    Oct, 2022

  • 使用指针网络进行在线对话分离

    本文提出了一种面向在线对话分离的端到端框架，利用注意力机制和联合学习目标实现对话分离，并在 Ubuntu IRC 数据集上取得了表现最好的结果。

    Oct, 2020

  • 重新审视话语论以进行对话分离

    本文提出了一种基于异构图表示的对话解缠方法，构建了不同的讨论结构特征模型，包括静态发言角色结构和动态背景结构，并采用层级排名损失和易于首先解码算法来实现话语理解和分离。

    Jun, 2023

  • CluCDD: 基于聚类的对话解缠方法

    提出了一种名为 CluCDD 的模型，该模型通过对话分离技术和对比学习聚合话语，以生成预测聚类标签并取得最新的最优结果。

    Feb, 2023

  • 无监督自编码选择纠缠响应实现零样本对话分离

    本文利用无监督学习的方法，解决了多人对话中的话语分组问题，并通过使用海量数据集进行预训练和微调，实现了无需任何有标注的数据就可以达到 25 的聚类 F1 分数。

    Oct, 2021

  • DialBERT：一种用于对话分离的分层预训练模型

    提出了一种整合局部和全局语义的新模型 Dialogue BERT (DialBERT) 来解决在同一通道中同时发生多个对话的混淆问题，其中使用 BERT 在 utterance 级别捕捉每个 utterance 对信息的匹配信息，并使用 BiLSTM 聚合和合并 context 级别信息，与 BERT 相比，只增加了 3% 的参数，并取得了 12% 的 F1-Score 提升，该模型在 IBM 提出的新数据集上达到了最先进的结果，并大幅超越了先前的工作。

    Apr, 2020

  • 无对抗训练的多类型解缠

    本文提出了一种针对多类型解缠的统一分布控制方法，以达到风格 - 内容解缠和多类型解缠的效果，在两个数据集上进行实验评估其风格解缠效果和无监督风格转移性能。

    Dec, 2020

  • 对话蒸馏：使用非成对数据进行开放领域对话增强

    本研究提出了一种使用未配对数据进行数据扩充的新方法，包括数据层次和模型层次的蒸馏过程，结果表明此方法可以提高对话系统的性能。

    Sep, 2020

  • 自我监督解开说话人确认中的声音和内容

    该研究提出了一种能同时模拟语音中的说话人特征和内容可变性的解缠结构框架，并通过使用三个高斯推理层实现，其中每个层由可学习的转换模型组成，能够提取出独特的语音组成成分。通过在 VoxCeleb 和 SITW 数据集上进行实验证实了该框架的有效性，其表现为等价错误率和最小 DCF 分别降低了 9.56％和 8.24％，而不需要额外的模型训练或数据，因此可以在实际应用中容易使用。

    Oct, 2023

  • 走向语音表征学习的下一个前沿：利用解缠绕

    我们提出了一种名为 Learn2Diss 的自我监督学习语音表示的框架，它包括帧级和话语级编码器模块，通过解开两个编码器并使用基于互信息的标准来进行联合学习，从而在多种任务上实现了最先进的结果，帧级编码器的表示改进了语义任务，而话语级表示改进了非语义任务。

    Jul, 2024