面向地理化人机交互混淆缓解的对话策略
本研究旨在提高用户与对话系统之间的交互质量,通过监测用户混乱状态并对话策略进行相应调整。通过研究用户与虚拟人物的对话情境,定义混乱状态,并使用预先训练的深度学习模型来分析情感、头部姿态和视线等指标与混乱状态之间的关系,从而实现智能对话系统的开发。
Jun, 2022
本文介绍了一个针对在线购物应用中的任务的交互式基于语言的图像检索任务中训练分层对话策略来共同执行澄清和主动学习的方法,并表明联合学习对于这两个功能的静态对话策略的使用更有效。
Jun, 2020
本论文探讨了如何利用虚拟环境中的人 - 头像交互模拟物理环境中的人 - 机器人交互,并展示了这两种模式下用户行为和自我报告结果的相似之处。该研究表明,即使存在态度差异和技术控制限制,也可以通过精心设计的人 - 头像研究来补充挑战更大的人 - 机器人研究。
Jun, 2022
通过收集 Human-Robot Dialogue Learning (HuRDL) Corpus 数据集,提出利用人类角色扮演机器人在在线交互虚拟环境中进行协作任务,描述了对话数据和对应注释方案,为智能代理的提高提出了帮助学习的问题。
Jun, 2021
本文通过两项研究来理解用户在语音人机交互过程中的情感状态,尤其关注通信错误或失败时的混乱状态,并探讨其与其他情感状态的关系。通过收集音视频数据和参与者的自我报告,研究分析了与语音虚拟代理交流和非交流相关的问题解决任务。第一项研究基于注释者的观察进行分析,而第二项研究则基于自我报告进行分析。
Jul, 2022
我们提出了一个任务无关的框架来通过询问用户澄清问题来解决模型中的歧义,我们的方法在确定何时需要澄清、确定要问的澄清问题以及通过澄清获得的新信息方面都取得了显著成果,并对模型的不确定性进行了估计,我们的方法在准确识别需要澄清的预测方面始终优于现有的不确定性估计方法,使系统能够在仅允许在 10%的示例上进行澄清时将性能提升两倍。
Nov, 2023
通过分析以前未使用的人类错误数据集,展示了人类回答错误与问题类型和视觉对话中的问答轮次的相关性,并通过使用简单的 MLP 模型和视觉语言模型的实验,证明了这些因素对于模型准确性在指向人类错误任务中的有效性。
Sep, 2023
本文提出了通过增强学习模型来澄清模糊问题的方法,包括分割问题、选择标签、确认意图和构建适当的响应。模型基于深度政策网络的强化学习模型,通过真实用户点击数据评估并展示了显著的性能提升。
Dec, 2020
提出了一种利用场景图生成和常识知识的架构来检测用户隐含需求并生成一组辅助动作的方法,同时也使用情感分析来解决任务,实现了感知、决策、动作循环的嵌入。
Feb, 2022
该论文介绍了一种将自然语言命令翻译成离散机器人动作的方法,并使用澄清对话共同改进语言解析和概念基础。将这个代理程序训练和评估在亚马逊的 Mechanical Turk 平台上的虚拟环境,并在真实环境中将学习到的代理迁移到物理机器人平台进行演示。
Mar, 2019