ACLJun, 2022

通过文档语义图增强基于信息场景的对话知识选择

PDF
TL;DR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。
open-domain dialoguebackground knowledgesemantic graphmulti-task learningknowledge selection
发现论文，激发创造
  • 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

  • 开放域对话中的多句知识选择

    提出对话知识选择的新框架和数据集，用于评估现有方法的不足之处，并通过神经重排序模型改进评估结果，出色地完成了对话回复

    Mar, 2022

  • 知识库问答中更好的查询图选择

    该研究提出了一种基于语义分析的新方法，以提高知识库问答（KBQA）的性能。该方法侧重于如何从候选集中选择最佳查询图，以从知识库（KB）中检索答案，实验结果证明，该系统在复杂问题上取得了最佳表现，并在 WebQuestions 上取得了第二佳表现。

    Apr, 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

  • 通过动态图知识聚合增强对话生成

    本研究提出了一种基于知识图增强的对话生成框架，使用层级图注意力来聚合伪节点上的图特征，并填补文本和图知识之间的语义差距，并促使语言模型更好地选择知识三元组以获得更丰富的响应。

    Jun, 2023

  • 扩展图上可解释推理的知识感知对话生成

    提出了一种基于知识图谱和语料库文本的对话机器人，结合了三个组件：增强的知识图谱、知识选择器和知识感知的响应生成器，并使用多跳图推理解决了知识选择问题，证明相比现有方法更易解释和灵活。

    Mar, 2019

  • 使用动态上下文图进行对话语义解析

    本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

    May, 2023

  • 文档驱动对话的粗细知识选择

    本文提出了 Re3G 方法，旨在统一粗粒度知识检索与细粒度知识抽取，以改进多文档对话系统中回答用户请求的效率与准确性。通过在 DialDoc Shared Task 上的实验，证明了该方法的有效性。

    Feb, 2023

  • GraphDialog: 将图表知识整合到端到端任务导向对话系统中

    本文提出一种适用于任务导向型对话系统的模型，利用知识库和对话的依存关系图结构信息解决了如何有效地将外部知识库整合到学习框架中以及如何准确捕捉对话历史语义的挑战。此外，该模型采用多跳推理能力以及循环单元架构进行表示学习。实验结果表明，该模型在两个不同的任务导向型对话数据集上均优于现有模型。

    Oct, 2020

  • $G^2$: 通过地面图增强基于知识的对话

    使用 Ground Graph 辅助 Transformer 模型提取语义结构以增强知识对话系统的回答生成效果，并在资源有限情况下展示出良好的推广能力。

    Apr, 2022