知识丰富的面向任务的对话系统 (KETOD)
提出了一种人工智能虚拟助手对话系统,名为 ACCENTOR,目的是将聊天型机器人和任务导向型系统相结合以实现更加 engaging 和 interative 的交谈体验,通过添加 chit-chat 的方式,将人机交互设计更为实用和有趣。研究采用全新的数据收集和生成方法来提高系统的性能,并设计了三种不同的模型进行实验,与现有任务导向型四种方法相比,实现了更具情境感和人性化的 chit-chat 响应。
Oct, 2020
提出了一种自动生成结合任务导向对话和开放领域对话的框架,同时介绍了一种适用于这一任务的统一模型 PivotBot,并通过评估结果证明,该模型能够在任务导向对话和开放领域对话之间无缝切换。
Dec, 2022
本文介绍了把目标导向式对话任务(TOD)系统和非目标导向闲聊式对话系统(ODD)结合起来的难题,并基于流行的 TOD 数据集 MultiWOZ 构建一个包含两种对话模式交替的新数据集 FusedChat,提供一种更具挑战性的基准测试,以测试对话模型在处理交叉模式上的表现。该数据集具有丰富的依赖模式,包括共示和省略,并提供了分类和融合等基线模型。
Sep, 2021
本篇论文提出了主观知识为基础的任务导向对话系统(SK-TOD)的新任务,以及配套的数据集,该数据集包含了主观知识寻求对话上下文和手动注释的响应,并探究了多个知识片段的不同观点如何汇聚的问题,以期促进 TOD 和主观内容理解的进一步研究。
May, 2023
结合话题建模,研究 Schema-Guided Dialogues 和 MultiWOZ 的训练集,发现社交对话序列的存在,进一步推动了如何将闲聊融入任务导向对话的研究。
Nov, 2023
本文提出了一种混合知识管理的任务导向对话系统,并基于结构化和非结构化知识进行了优化,相比现有的任务导向对话系统具有更强的端到端性能和更高的非结构化知识检索准确性。
May, 2021
该研究论文探讨了一种融合任务导向对话系统和闲聊对话系统的多动机对话数据集,并提出一系列评估指标,以更好地展示这种方法在实践中的效果。
May, 2022
本论文通过比较分析三种闲聊增强方法,旨在确定多样性方面最有效的方法。此外,我们量化了增加的闲聊、原始任务导向语言和闲聊数据集中典型闲聊之间的差异,突出每个比较中的前 20 个差异关键词。我们的研究结果为增强任务导向对话提供了未来改进的讨论,强调了超越任务的对话基础对实现更多样化和自然化的交流的重要性。
Nov, 2023
本文介绍了我们的 Track 2 模型,利用大规模真实世界的 MobileCS 中国 TOD 数据集,使用半监督学习和强化学习构建知识引导的对话模型,实现了任务导向对话系统的高效预测和人机交互。我们的系统在自动评估和人工交互中表现都极佳,尤其是 BLEU (+7.64) 和 Success (+13.6%) 方面比第二名更优秀。
Oct, 2022
本文提出了一种新的任务定向对话数据增强方法 TOD-DA,它包括对话丰富和口语会话模拟器,可以增加大规模高质量带注释口语会话,以提高口语任务定向对话建模的鲁棒性。在 DSTC10 Track2 的两项任务中,我们的方法均排名第一,证明了 TOD-DA 的优越性和有效性。
Dec, 2021