EMNLPSep, 2021

推荐对话系统的神经模板学习

PDF
TL;DR提出了一种名为 NTRD 的新型框架，旨在解决基于对话式推荐系统中推荐项目无法精确恰当地纳入生成的回复以及只有出现在训练语料库中的项目才有机会在对话中被推荐的难题。 NTRD 具有两个关键组件，即响应模板生成器和项选择器，并结合了传统的槽填充方法和现代神经自然语言生成方法的优点。实验表明，我们的 NTRD 明显优于以前的最先进方法，并具有产生在对话语料库的训练集中未出现的新项目的独特优势。
conversational recommender systemitem recommendationresponse template generatoritem selectorneural nlg approaches
发现论文，激发创造
  • RecInDial：一个基于预训练语言模型的统一对话推荐框架

    本研究提出了一种新的集成推荐和对话生成的统一框架来解决对话推荐系统中资源匮乏和一般性问题，使用大规模预训练语言模型可以生成流利和多样的回复，并利用基于实体导向知识图的知识感知偏差来增强推荐性能。模型实验表明，RecInDial 模型明显优于现有技术水平。

    Oct, 2021

  • 面向主题引导的对话式推荐系统

    本文提出了一个名为 TG-ReDial 的新的对话推荐系统数据集，其具有包括主题线程和半自动构建在内的两个主要特征，为通过自然语义过渡实现主动引导的推荐场景；同时还提出了一种有效的基于主题引导的对话推荐方法， 并在主题预测、物品推荐和响应生成三个子任务上展示了该方法的有效性。

    Oct, 2020

  • 深度会话推荐

    本文提供了一个名为 ReDial 的可用于公共研究的数据集，用于探索使用神经网络和深度学习技术创建对话系统的应用，并探讨了在这一领域中应用的新方法和机制。

    Dec, 2018

  • RDR: 加强语言理解的总结、思考和应答方法

    通过将重述、讨论和回应三个目标纳入神经网络流水线，我们的方法解决了自然语言理解中的内外知识误用问题，使得结果更加准确。

    Dec, 2023

  • 神经响应生成的检索增强对抗训练

    本文提出了 RETE 方式，使用检索方法来增强神经响应生成的对抗训练， 与当前方法不同的是，该方法采用编码器 - 解码器框架，在对抗训练范式中利用从检索系统获取的 N 个最佳响应候选构建鉴别器。一个基于大规模公共可用基准数据集的实证研究表明，REAT 方法明显优于普通 Seq2Seq 模型和传统的对抗性训练方法。

    Sep, 2018

  • 基于模板导向的混合指针网络用于基于知识的任务导向型对话系统

    本研究提出了一种基于模板的指针网络模型，该模型利用预构建的特定领域会话存储库中的相关答案作为指导答案，并将指导答案并入编码和解码过程中，以提高神经网络任务导向对话系统的性能。实验表明，该模型在四个常用任务导向数据集上的表现明显优于最先进方法。

    Jun, 2021

  • 跨对话任务的少样本通用化

    我们提出使用 Recurrent Embedding Dialogue Policy（REDP）和 Neural Turing Machine 技术，对机器人会话管理进行研究。研究结果表明 REDP 能够有效地处理顾客的不良行为，并在 bAbI 对话任务中实现了 100％的测试准确率。

    Nov, 2018

  • 神经混合推荐：推荐需要合作

    该文介绍了一种名为 NHR 的神经混合推荐框架，可用于商品预测问题。该框架利用神经网络从同一和不同的数据源中提取更详细的信息，以及在同样的问题上使用不同的损失函数达到评级预测问题，测试结果在真实世界数据集中显示了优异的性能。

    Sep, 2019

  • 利用自动会话评估器实现连贯和引人入胜的口语对话响应生成

    本研究提出一个评估聊天机器人响应的系统，利用明确的反馈机制改进神经响应图生成模型，从而获得更具连续性和参与度的响应。

    Apr, 2019

  • 基于模板的递归神经网络问答

    该研究论文提出一种基于神经网络的方法，使用递归神经网络来自动学习和分类自然语言问题并将其归类到相应的模板中。该模型在 LC-QuAD 数据集和 QALD-7 数据集上进行训练和评估，并获得了高准确率的分类结果。

    Apr, 2020