EMNLPApr, 2022

面向任务的对话系统的对话意图表示

PDF
TL;DR提出了一种任务导向的对话意义表示 —— 对话意义表示（DMR），它使用一组节点和边来表示复杂的组合语义，并具有继承层次结构机制，提高了域可扩展性；利用 DMR-FastFood 数据集进行实验，提出了两个评估任务来评估差异化对话模型以及基于图形的指代消解任务的 GNNCoref 模型，并显示出 DMR 可以很好地用预训练的 Seq2Seq 模型解析，并且 GNNCoref 可大幅优先于基线模型。
dialogue meaning representationcompositional semanticsdmr-fastfoodcoreference resolutiongnncoref
发现论文，激发创造
  • 对话建模的语义表示

    我们使用抽象意义表示（AMR）来协助神经对话建模，将 AMR 图形构建到对话系统中会更显著地提高对话理解和响应生成任务的效果。

    May, 2021

  • 有歧义的语篇标记和交织关系的分布式标记表示

    通过学习分布式标记表示以及潜在的语篇感，实现了对句子对之间的标记和语段信息的联系，具备自动学习和解释性强的特点，并在隐式语篇关系识别任务中达到了 SOTA 效果。

    Jun, 2023

  • 利用抽象意义表示改进医疗对话生成

    通过使用抽象意义表示（AMR）图构建对话中的语言要素和医学实体的图形表示，我们提出了一种模型病人和医疗专业人员之间对话的新框架，其中神经网络结合了文本和图形知识，采用双重注意机制，在医学对话生成方面的实验结果表明，我们的框架优于强基线模型，证明了 AMR 图在增强医学知识和逻辑关系的表示方面的有效性

    Sep, 2023

  • 基于语义的对话理解预训练

    本研究提出了一种基于语义学的预训练框架，使用抽象含义表示（AMR）来捕捉对话中的核心语义信息，实验证明其在闲聊和任务导向对话的理解上比标准预训练框架更具优势，并且是首次在对话预训练中利用了深层语义表示。

    Sep, 2022

  • 对话图建模：用于会话式机器阅读的方法

    本文提出了一种对话图建模框架，通过 Discourse Graph、Decoupling Graph 和 Global Graph 三种图来提高机器对复杂问题的理解和推理能力，实现基于给定的规则文档、用户场景和对话历史的交互问答。

    Dec, 2020

  • DMRM: 用于视觉对话的双通道多跳推理模型

    提出了一种新的视觉对话模型 DMRM，通过双通道多跳推理结合多模态注意力，有效地将问题、图像和历史上下文信息融合，从而提高了视觉对话的生成质量。在 VisDial v0.9 和 v1.0 数据集上，DMRM 模型的实验结果表明，相比较其他模型，DMRM 模型具有更好的效果。

    Dec, 2019

  • 利用语篇互信息最大化的对话数据表示学习

    为了实现有效的会话建模，本文提出了基于结构的相互信息损失函数 DMI 来训练对话表示模型，并在九个不同对话建模任务上展开了广泛评估，结果表明我们提出的 DMI-based 模型表现超过了强基线。

    Dec, 2021

  • 结构化信息的重要性：将抽象意义表示引入到 LLMs 中以提高开放域对话评估

    我们提出了一个简单而有效的开放域对话评估框架，通过将领域特定语言模型（SLMs）与 LLMs 结合起来，明确地通过门控机制将对话的抽象意义表示（AMR）图信息融入到 LLM 的提示中，以提高上下文学习性能，并在开放域对话评估任务中的实验结果证明了我们方法在区分对抗性负面回应方面的优越性。

    Apr, 2024

  • 遮蔽编排：多任务预训练用于多角色对话表示学习

    该研究基于各类无监督预训练任务探究对话上下文表示的学习，并通过精细调整的预训练机制，有效整合了外部知识，能够大幅提高对话提取 / 摘要等下游任务的效果。

    Feb, 2020

  • 使用分层表示进行任务导向对话的语义解析

    本文提出了一种基于层级标注的语义解析方案，能够有效且准确地分析复杂的组合查询，同时发布了包含 44000 个标注查询的数据集，并证明此方案在标准句法分析模型上的表现优于序列到序列的方案。

    Oct, 2018