ACLMay, 2022

对话式学习：以信息获取为强化目标的对话系统

PDF
TL;DR我们提出了一种新颖的基于 AI 的聊天机器人学习模式，用户通过与教师机器人的对话获取信息和知识。我们的系统使用了一种新型加强自我对话模式，在不同领域之间实现知识传递和关注用户的对话。我们在三个大型公共数据语料库上进行了广泛的主客观评估，证明了我们的系统在传递知识和关注用户方面的有效性，帮助用户在不阅读文章的情况下大大提高知识水平。
发现论文，激发创造
  • 终身学习对话系统：自学聊天机器人

    本文提出使用不断学习的方法，通过与用户进行对话，改进对话系统（chatbots）中按人工规则编译知识库和局限于理解自然语言的能力，提高在多种语言表达和聊天技能方面的用户满意度。

    Sep, 2020

  • 终身和持续学习对话系统

    这本书介绍了一种新的对话系统学习方法，即通过自身与用户和环境的交互来学习，实现从用户和外部来源不断学习语言表达、词汇和 factual 知识、训练样本和会话技能等方面的持续改进。除了总体论述，书中还介绍了一些特定话题的持续学习方法，并探讨了未来研究的挑战。

    Nov, 2022

  • 通过会话游戏进行一次性视觉概念学习实现交互式语言获取

    本文提出一种集成模仿学习和强化学习的方法，通过交互式对话游戏实现基于场景的语言学习，使得智能代理能够主动提问新事物并在一次对话中将新知识应用于实践。实验结果证实了该方法的有效性。

    Apr, 2018

  • 人机对话学习

    本文探讨了使用增强学习的方式，通过与人类交互并接受其反馈来提高对话代理的能力，模拟了在人工环境中的各种学习情况，介绍了适用于此类学习的模型，并通过机械土耳其实验验证了此方法。

    Nov, 2016

  • 使用聊天机器人教授语言

    本研究旨在构建一种在线语言学习工具，通过使用对话系统作为实践对话伙伴，为学习者提供对话体验。我们的系统可以根据用户的语言熟练程度进行自适应，并且提供自动语法错误反馈来帮助用户从他们的错误中学习。根据我们的初步用户反馈，我们的系统既实用又有趣。此外，我们还将为学习技术社区提供一个大规模的关于语言学习和语法更正的对话数据集。下一步，我们将使用强化学习算法来使我们的系统更加适应用户个人信息。

    Jul, 2022

  • 大规模会话型 AI 代理的基于反馈的自学习

    本研究提出了一种自学习系统，使用用户 - 系统交互反馈信号自动纠正对话式人工智能系统中出现的各种组件错误，并通过吸收马尔可夫链模型挖掘这些反馈信号中的共同模式，进行可扩展的改进，实现了大规模对话式人工智能系统的自主学习，能显著降低过多次错误和缺陷。

    Nov, 2019

  • 基于对话的语言学习

    研究人员在机器学习和自然语言理解方面的不懈探索中探讨了基于对话的语言学习，发现预测前瞻是一种有前途的学习策略，并表明它可以在没有奖励监督的情况下正确地回答问题。

    Apr, 2016

  • 学习如何学习：一种用于增量学习视觉定位词义的自适应对话代理

    本研究基于强化学习模型，针对生动图像作为学习基础的人机交互场景，训练了一种多模态对话代理，并基于 BURCHAK 语料库对代理进行了交互式学习和评估，在提高分类器准确性的同时，尽量减少学习过程中的人工操作。结果表明，该代理学习策略的性能超过基于手工定制的策略，并能够与人类模拟器有效协同学习。

    Sep, 2017

  • 互动文本游戏的知识增强代理

    该文提出了一种通过注入领域知识的方式来改善基于文本游戏中的智能代理的实现过程，并考虑了多种不同的注入策略，包括知识图谱和输入编码策略的增强，实验结果在 ScienceWorld 文本游戏环境中得到证明。

    May, 2023

  • 从知识增强到多任务学习：走向类人对话系统

    研究人工智能中的对话代理，探索深度学习技术如何提高人工对话代理水平。

    Nov, 2022