Oct, 2021

罗马是在 1776 年建成的：基于知识的响应生成中事实正确性的案例研究

PDF
TL;DR本文讨论通过使用人类注释来鉴别内容一致，虚构知识和闲聊风格回复，证明 Conv-FEVER 数据集的有利于现有模型训练以检测提供的知识的内容一致性。
neural response generationtransformer modelsfactually correctnessknowledge snippetsconv-fever dataset
发现论文，激发创造
  • 提高回复和角色真实事实之间的事实一致性

    通过增加奖励机制，使用强化学习方法来提高响应与用户角色特征事实之间的一致性，从而促进神经模型的响应生成能力。

    Apr, 2020

  • 通过知识增强和对齐提升基于知识的对话系统的事实一致性

    PLMs 基于知识驱动的对话系统存在生成与提供的知识源不一致的回应问题，本文通过知识增强和对齐两种方法有效提升了前馈网络（FFNs）在回应中表达事实知识的能力，验证了提升知识驱动对话系统的事实一致性的有效性。

    Oct, 2023

  • 检测不需要事实判断的响应生成

    大型语言模型在对话中实现吸引力和真实性的研究，通过众包创建了一个对话数据集，用于分类任务，并且最高分类准确率达到了 88%。

    Jun, 2024

  • 超越事实性：大型语言模型作为知识生成器的综合评估

    通过 CONNER 对大型语言模型在知识密集型任务中生成的知识进行综合评估，发现事实性的小错误并不会显著影响下游任务，因此相关性和连贯性比事实性更为重要。此外，研究还提出了通过 Prompt Engineering 和 Knowledge Selection 来改进知识密集型任务的方法。

    Oct, 2023

  • 关于从自然语言反馈中提高摘要的事实一致性

    本文中，我们对自然语言生成功能的输出质量提出问题，通过收集人类演示和信息反馈数据集 DeFacto，我们进行了两项自然语言生成任务的研究，旨在通过实现信息反馈来提高自然语言生成模型的质量，改善与用户需求的匹配度。

    Dec, 2022

  • 使用循环神经网络生成事实问答：30M 事实问答语料库

    这篇论文介绍了作者使用神经网络架构在 Freebase 知识库上将事实转换成自然语言问题，生成了一个巨大的问答对语料库 30M Factoid Question-Answer Corpus。通过人工评估和自动评估标准，该问题生成模型在所有评估标准上均优于竞争模型，生成的问题与真正的人工生成问题质量相当。

    Mar, 2016

  • $Q^{2}$：通过问题生成和问题回答评估基于知识的对话中的事实一致性

    本研究提出了一种用于对话中基于知识的生成模型的事实一致性评估度量，通过结合自动问题生成和问题回答，使用自然语言推理进行回答跨度比较。在 Wizard-of-Wikipedia 数据集上，我们得到了经过人工标注的对话系统输出数据集，并对 $Q^2$ 和其他度量标准进行了彻底的元评估，结果显示它与人类判断具有更高的相关性。

    Apr, 2021

  • 零样式忠实事实误差校正

    该论文提出了一种零 - shot 框架，用于纠正文本知识库中的事实错误，具有可解释性，并使用不同的方法进行度量，改善了已有的模型。

    May, 2023

  • 神经生成式问答

    本文提出了一个名为 Neural Generative Question Answering（GENQA）的端到端神经网络模型，可以根据知识库中的事实生成简单问答问题的答案。通过对问题答案对的语料库进行训练，该模型可有效处理问题和答案的变化，并通过参考知识库中的事实生成正确自然的答案，且在问题回答方面的实验证明该模型优于基于嵌入式的 QA 模型和在相同数据上训练的神经对话模型。

    Dec, 2015

  • 预训练变压器网络中的知识神经元

    本文提出预训练模型中知识神经元的概念并探究其如何存储事实知识，通过使用填空测试来确定知识神经元并证明其与对应事实的正相关性。进一步研究表明，可以利用知识神经元对特定的事实进行编辑并揭示了其存储知识的方式。

    Apr, 2021