无缝融合事实信息和社交内容的有说服力对话
本文提出了一种基于交替任务导向的社交对话框架,该框架使用强化学习算法训练策略,以维持长时间的会话连贯性和一致性,使系统能够在任务和非任务内容之间实现平滑的过渡。实验表明,将社交对话内容与任务对话相结合的系统比纯任务导向的系统具有更好的任务成功率和更高的用户参与度。
Mar, 2017
本文提出了一种使用统一的隐式对话框架来进行面向目标,信息搜寻任务的会话搜索应用的方法,该方法可以利用底层数据表示来构建对话交互所需的组件,该框架由一系列端到端可训练模块的管道组成,其中集中的知识表示被用于语义地连接多个对话模块,各种工具被集成到该框架中以获取最终用户的输入以持续改进该系统,该方法的目标是通过识别可以适应和重复使用于许多最终用户应用程序中的组件和数据来促进对话系统的开发,我们通过为几个独立领域创建对话代理来展示我们的方法。
Feb, 2018
本文旨在开发个性化的智能说服对话系统来改变人们的观点和行为,通过设计在线游戏,收集对话数据,对数据进行特征提取,建立分类器,探讨包括人口统计学信息、心理特征在内的背景因素对人们响应特定说服策略的影响。
Jun, 2019
本文正式定义和介绍了社会影响对话系统的类别,该类别通过自然对话影响用户的认知和情感反应,从而引起思想、观点和行为上的变化。作者编制了各种任务、数据集和方法的调查,汇编了七个不同领域的进步情况,并讨论了所研究系统的共性和差异,指出了局限性并提出未来的研究方向。本研究作为社会影响对话系统的全面参考,可以激发在这个新兴领域更专注的研究和讨论。
Oct, 2022
本研究提出,在末端到末端的对话系统学习框架中包含通过多模式信息获取的用户情感信息,以使系统更具用户适应性和效果。结果,这项工作是在自适应末端到末端对话系统训练框架中首次尝试将多模式用户信息纳入其中并达到最先进的表现。
Apr, 2018
本文中,我们介绍了一种基于任务导向对话模型的非协作式对话模型,该模型使用一种分层意图注释方案来处理社交内容并设计了一种过滤器来筛选生成的回复,我们在两个非协作式任务数据集上测试了我们的模型,结果表明它优于多个基准模型。
Nov, 2019
本文针对神经网络模型生成内容不足的对话应用展开了研究,提出了一种全新的、基于数据和知识驱动的神经对话模型,该模型通过同时考虑历史对话和外部 “事实” 来生成更有用的回应,实验证明该方法在开放领域中具有广泛应用前景,相较于基线模型的 Seq2Seq 方法,能够显著提高输出的信息量。
Feb, 2017
本文提出了一种多任务框架,该框架联合识别对话的情感并根据所识别的情感生成响应,我们利用基于 BERT 的网络来创建一种共情系统,并使用混合目标函数来训练端到端网络,包括分类和生成损失函数,实验结果表明,我们的多任务框架优于现有的最先进模型。
May, 2022
设计一种人工智能代理,能够与人类进行协作对话,创作有趣的故事;该模型可以增强任何基于概率方法的对话代理,使其能够思考已建立的宇宙信息和潜在的下一句话可能揭示的内容。研究表明,此模型允许控制代理透露信息的速率,从而显著提高了预测电影对话下一行的准确性。
Jan, 2019
提出了一种基于用户人格检测的个性化对话生成器,该方法使用条件变分推理建立用户潜在人格模型并利用后验鉴别正则化提高训练效果,在实证研究中实现比现有技术更高的对用户人格关注和提升了对话品质的效果。
Apr, 2022