Apr, 2022

利用释义生成快速启动对话系统

PDF
TL;DR该研究提出了一种基于改写生成的方法，可以减少创建新对话代理所需要的时间和成本，同时提高其性能，使其能够实际与真实用户进行交互。实验证明该方法提高了意图分类模型的泛化能力，有助于在组织范围内规模化部署这项技术。
dialog systemsconversational agentsparaphrase generationneural paraphrasing approachesintent classification
发现论文，激发创造
  • 神经机器翻译的释义生成

    该研究提出了一个自然语言生成系统，使用机器翻译和深度循环神经网络来生成语言交互和注释，并在 ASk 技能上评估其对 NLU 模型的影响，在未见过的技能中得到显着改善。

    Jun, 2020

  • 基於改寫的任務導向對話生成

    该研究提出了一种基于替换词增强的响应生成 (PARG) 框架，该框架联合训练了一个替换模型和一个响应生成模型，以提高对话生成的性能，并通过对话状态和对话行为标签自动构建替换培训数据集。实验结果表明，所提出的框架进一步改善了 CamRest676 和 MultiWOZ 上最先进的对话模型，并在对话生成任务中显着优于其他数据增强方法，特别是在资源不足的情况下。

    Apr, 2020

  • 使用释义生成和实体提取的数据增强方法以用于多模态对话系统

    研究了应用数据增强和改进 NLU 模型对于在基于游戏学习场景中帮助儿童学习数学基本概念的多模式对话系统的有效性，得到了使用小型数据集进行 MITL 策略下的改写的良好表现。

    May, 2022

  • 一个用于释义生成的深度生成框架

    本篇论文研究了一种使用深度生成模型（VAE）与序列到序列模型（LSTM）相结合的方法来自动生成给定句子的同义句，相对于现有方法具有更好的性能和简洁的模块化结构。

    Sep, 2017

  • 通过自动爬取和对齐的句子对进行神经重述

    本文介绍了一种基于语言约束的相似性搜索方法，用于自动产生大规模对齐语料库，以解决基于神经网络的释义生成面临的数据缺乏问题。该方法在意大利语的情况下进行评估，并使用基于指针的深度神经网络架构实验。

    Feb, 2024

  • 学习改写以进行问答

    利用释义学习问题表达的多样性来提高询问回答系统在 Freebase 和句子选择上的准确性。通过训练端到端来直接学习最有可能产生正确答案的语言表达，得到了有竞争力的结果。

    Aug, 2017

  • 研究在 FRANK QA 系统中使用释义生成进行问题改写的应用

    通过评估释义生成方法实现提高 FRANK 问答系统可回答的自然语言问题的多样性，该研究分析了 LC-QuAD 2.0 数据集上的自动度量和人工判断，并讨论了它们之间的相关性，同时对包含错误的数据点进行了错误分析。通过将最佳执行的释义生成方法（一种英 - 法反向翻译）模拟到 FRANK 中进行测试，作者得出两个主要结论：需要清理 LC-QuAD 2.0 数据以消除评估中的错误，而且由于 FRANK 的解析器存在限制，释义生成不是我们可以依赖的一种提高 FRANK 回答自然语言问题多样性的方法。

    Jun, 2022

  • 深度强化学习的释义生成

    本文提出了一种基于深度强化学习的新型 “生成器” 和 “评估器” 框架来生成给定句子的释义，实验证明此方法在自动评估和人类评估上都优于现有技术。

    Nov, 2017

  • 基于矢量量化提示学习的释义生成

    通过利用预训练模型和实例相关提示，本文提出生成多样且高质量的复述词句的方法，使用向量量化的提示来控制预训练模型的生成。实验表明此方法在三个基准数据集上取得了最新的最佳结果，包括 Quora、Wikianswers 和 MSCOCO。一旦被接受，我们将公开所有代码。

    Nov, 2023

  • 通过改写实现强大的口语理解

    本论文提出了一种新颖的基于改写的 SLU 模型，结合 RNN 和序列到序列的神经网络提出了两个改写生成器，并证明了模型对罕见和复杂的改写话语具有鲁棒性。

    Sep, 2018