对话行为分类的普适性 - 个体性整合模型
本文提出了一种名为 CDAC 的深度学习算法,通过在 Switchboard 人际对话数据集上进行预训练并在人机对话数据集上微调,实现了上下文对话行为分类,并表明采用小样本人机对话数据微调 CDAC 模型可以更精确地预测真实用户的对话行为,为未来的改进提供了有希望的方向。
May, 2020
本文提出了一种适用于任务导向对话系统的通用 DA 模式,并使用人类 - 人类对话语料库进行标记和建模,通过半监督学习技术,以提高标记效率和标记质量。
Jul, 2019
提出了一种基于双重注意力层级循环神经网络的对话行为分类模型,利用话题建模作为辅助任务和双任务特定注意力机制来捕捉对话行为和话题之间的交互信息,从而大大提高了 DA 分类的效果。
Oct, 2018
本文介绍了如何通过优化样本分布的方式,提高智能辅导系统中对话行为(DA)分类器的准确性和鲁棒性,通过大规模实验进行验证,取得了良好的结果。
Apr, 2023
本文提出了一种基于统计学方法的对话行为建模方法,通过对词汇、语音、对话结构等多个方面的考虑对话行为进行检测和预测,并应用于语音识别和对话行为分类,实验表明取得了良好的对话行为分类精度和一定的语音识别效果提升。
Jun, 2000
本研究旨在通过考虑不同层级的 tokens 和在历史对话中上下文信息的丰富表达,探索生成更加信息丰富的对话结构代表,我们通过组合最佳的方法,在 SwDA 和 MRDA 上取得了超越以往最佳结果,并在 MRDA 上超越了人类的表现水平。
Jul, 2018
我们提出了一个双向多跳推理模型(BMIM),利用特征选择网络和双向多跳推理网络以双向方式迭代提取和整合丰富的情感和行为线索,明确建模情感和行为标签的相关性,从而在 Dialog Sentiment Classification(DSC)和 Act Recognition(DAR)任务中改善性能并增强联合情感和行为预测任务的可解释性。
Aug, 2023
本文提出一种方法,将多个公开数据集映射到 ISO 标准的子集,以创建一个大型的与任务无关的 DA 分类训练语料库,并证明使用这个语料库训练一个领域无关的 DA 标签器在跨不同 DA 类别时具有鲁棒性的重要性。
Jun, 2018
本文研究 Dialogue Act 分类,提出了将上下文感知的自注意机制与分层循环神经网络相结合的方法,并在 SwDA Corpus 上证明了其在不同语义表征学习方法下的高精度表现。
Apr, 2019
本研究提出了一种对话行为引导的上下文适配器网络,改善了多轮对话中自然语言识别的性能,相较于现有技术提高了数量级,具体表现为相对相对单词误差率降低 58%。
Mar, 2023