Jul, 2022

RT-KGD: 关系转换感知的知识驱动对话生成

PDF
TL;DR本文提出了一种关系转移感知的知识引导对话生成模型（RT-KGD），该模型将对话级关系转移规律与轮级实体语义信息相结合，考虑了多轮上下文中的知识关系及 KG 中的关系转移规律。实验表明，该模型在自动和手动评估上均优于现有的基线模型。
knowledge-grounded dialogue generationrelation transitionentity semantic informationknowledge graphsdialogue-level
发现论文，激发创造
  • 通过对比学习提高知识驱动对话的稳健性

    基于对话文本和外部知识的知识驱动对话系统面临实际应用中各种噪声干扰，为提高系统鲁棒性，我们提出了一种基于实体对比学习的框架，通过引入两种类型的干扰样本，使得模型在真实应用中能够生成具有信息性的回应，实验证明该方法在三个基准数据集上实现了最新的性能提升，并在噪声和少样本场景下胜过其他模型。

    Jan, 2024

  • 低资源知识驱动对话生成

    在低资源环境下，通过设计一种解耦响应解码器使模型可以仅从大量未接地对话和非结构化文档中学习，而只使用有限的训练示例就能很好地拟合剩余的小参数。在两个基准测试上的评估结果表明，我们的模型仅使用 1/8 的训练数据就可以实现最先进的性能，而且对领域外知识有很好的概括能力。

    Feb, 2020

  • 通过知识库问答提高知识感知对话生成

    本文提出了一种新的知识感知对话生成模型，称为 TransDG，该模型将知识库问答（KBQA）任务的问题表示和知识匹配能力转移到生成对话的内在理解和事实知识选择中。我们采用了一种响应引导注意力和多步解码策略的方法，以引导模型集中于生成相关的特征。在两个基准数据集上的实验证明，我们的模型在生成信息全面和流畅的对话方面具有稳健的优越性。

    Dec, 2019

  • 常识和命名实体感知的知识驱动对话生成

    本文提出了一种通过利用大规模常识和基于命名实体的知识实现的新型开放域对话生成模型，该模型还利用了与每个话语相关的非结构化主题特定知识，并通过使用共指提高了常识知识。提出的模型利用多跳注意力层保留对话历史和相关知识的最准确和最关键的组成部分，还用到 Commonsense and Named Entity Enhanced Attention Module。实验结果表明我们的模型在两个基准数据集上均显著优于最先进的方法。

    May, 2022

  • DialoKG: 以知识结构为导向的任务型对话生成

    本论文提出一种新的面向任务的对话系统 DialoKG, 通过将关系型知识看作知识图，并引入结构感知知识嵌入技术和知识图加权注意力掩膜策略来有效地将知识嵌入语言模型，实现人类化和信息化的对话。通过在多个标准基准数据集上的实证评估，展示了 DialoKG 对最先进方法的有效性。

    Apr, 2022

  • 使用 KG-Copy 网络进行非目标导向型对话

    该论文探讨了将知识图谱集成到对话系统响应生成过程中的问题，提出了一种以足球为领域的非目标导向对话数据集和每个团队的知识图谱，并提出了一种新的神经网络架构作为基线，在数据集上集成知识图谱，产生知识化的响应，经实验证明，该模型的表现优于目前已有的知识图谱集成对话系统的最新模型。

    Oct, 2019

  • 知识图谱增强的语言模型用于基于知识的对话生成

    提出了 SURGE 框架，用于生成上下文相关且基于知识图谱的对话，通过从知识图谱检索相关子图，并对其条件下的单词嵌入进行干扰以保持事实一致性并使用对比学习确保所生成的文本与检索到的子图具有高相似度，通过在 OpendialKG 和 KOMODIS 数据集上的实验验证了该框架的有效性。

    May, 2023

  • 基于知识的对话生成：对抗性多参照学习中不存在标准答案

    提出一种多参考知识对话模型 (KGC)，为了提高知识选择与生成的多样性，建立了一个多重参考的 KGC 数据集，并提出了一系列测量现有 KGC 模型效力的指标，使用基于跨度的变分模型并以改进的证据下界目标进行优化，以学习一对多泛化关系，该方法在机器和人工评估中均表现出良好的效力。

    Oct, 2022

  • 面向知识驱动对话的顺序潜知识选择

    论文提出了一种名为 `SKT` 的序列潜变量模型，该模型可提高多轮对话的知识选择准确性，并相应地改进了话语生成的绩效；实验结果表明，该模型在大规模对话评估中取得了最先进的表现。

    Feb, 2020

  • 基于知识的对话状态跟踪

    本文提出了一种基于外部编码的对话状态跟踪方法，通过查询相关知识以基于对话上下文信息来预测对话状态，证明在一些场景下，我们的方法比基线表现更优秀，尤其是在少样本学习情况下。

    Oct, 2022