ACLApr, 2022

千人千村：个人记忆增强的基于知识的对话

PDF
TL;DR本文介绍了将个人记忆引入知识选择的方法，以解决个性化的问题，采用变分方法建模个人记忆与知识选择之间的关系，并设计了一种学习方式，其中包括了从个人记忆到知识的前向映射和其逆向映射。实验证明，我们的方法在自动评估和人类评估方面都显著优于现有的知识驱动对话方法。
发现论文，激发创造
  • 基于知识的对话生成：对抗性多参照学习中不存在标准答案

    提出一种多参考知识对话模型 (KGC)，为了提高知识选择与生成的多样性，建立了一个多重参考的 KGC 数据集，并提出了一系列测量现有 KGC 模型效力的指标，使用基于跨度的变分模型并以改进的证据下界目标进行优化，以学习一对多泛化关系，该方法在机器和人工评估中均表现出良好的效力。

    Oct, 2022

  • 基于知识的对话生成知识选择

    本文提出了一种生成式方法，名为 GenKS，用于在基于对话历史的语境下选择适当的知识片段，该方法通过序列到序列模型生成标识符来选择片段，捕捉片段之间的内部知识交互，并通过超链接机制显式地建模对话 - 知识交互，同时在三个基准数据集上进行实验并证明 GenKS 在知识选择和响应生成方面取得了最佳结果。

    Apr, 2023

  • 智能友好的对话代理：基于知识和角色认知的应用

    本论文提出了一种有效的对话代理，同时考虑外部知识和个性，通过检索增强生成和知识个性增强查询来生成话语，实现了更少幻觉和更有吸引力的对话，在自动指标上的基于个性和知识的对话任务达到了最先进的性能，同时，通过人类评估和定性结果证明了模型对话的幻觉和吸引力，验证了检索的有效性。

    Jan, 2023

  • 通过文档语义图增强基于信息场景的对话知识选择

    本研究提出了一种将对话模型中的背景知识文档自动转换为文档语义图以对其进行知识选择，并联合应用多任务学习来改善句级和概念级知识选择的方法，并通过实验证明其在诸如 HollE 和 WoW 等领域的知识选择任务和端对端响应生成任务上均优于基于句子选择的基线模型，并且在看不见的话题上改进了泛化能力。

    Jun, 2022

  • Persona-Knowledge 对话多上下文检索和增强解码方法

    本文通过设计一种数据增强策略，运用神经问答检索模型，探讨了 Persona-Knowledge 的识别和响应生成任务，采用不同的解码技术进行对话生成，最终取得了 93.99% 的平均重合度和 23.62 分的 SacreBLEU 分数，成为当前 SOTA 的最佳实践。

    Jul, 2022

  • 基于图的任务对话系统知识选择器

    本论文基于当代最先进的语言模型构建了 Graph-Knowledge Selector（GKS）来解决对话系统中知识选择的问题，并考虑了知识之间的联系，明显优于 Ninth Dialog System Technology Challenges（DSTC9）中提出的几种最新技术模型。

    Dec, 2021

  • 面向知识驱动对话的顺序潜知识选择

    论文提出了一种名为 `SKT` 的序列潜变量模型，该模型可提高多轮对话的知识选择准确性，并相应地改进了话语生成的绩效；实验结果表明，该模型在大规模对话评估中取得了最先进的表现。

    Feb, 2020

  • 无监督知识选择：通过预先训练的生成模型生成响应来教我说什么，我就能学会挑选什么

    本文研究了预训练生成模型的无监督选择能力，通过在编码器和解码器之间添加得分和聚合模块。这个模型 - K-Mine - 在没有知识标签和 / 或分离的密集检索器的情况下展示了有竞争力的选择和生成性能。

    Oct, 2021

  • 基于预训练语言模型的知识驱动对话生成

    我们使用预训练的语言模型来研究基于知识的对话生成，通过知识选择模块和无监督方法来优化知识选择和响应生成，实验结果表明，我们的模型在自动评估和人类判断方面都显著优于现有方法。

    Oct, 2020

  • 井井有条：面向知识驱动对话的生成器无关知识预选择

    GATE 是一种生成器无关的知识选择方法，它通过在不同的知识结构和可变的知识需求中选择与上下文相关的知识来为后续的响应生成模型准备知识，实验证明 GATE 的优越性，表明生成前的知识选择是一种轻量且有效的方式，可以促进 LLMs 生成更具信息量的响应。

    Oct, 2023