COLINGSep, 2022

注意空缺！注入常识知识，用于抽象对话摘要

PDF
TL;DR本论文提出了一种利用对话共享常识知识的唯一特征来解决总结难题的方法，介绍了 SICK 框架，该框架使用常识推理作为额外上下文，比先前仅依赖于输入对话的工作更具优势，实验证明注入常识知识后，我们的框架生成的总结比现有方法更具信息性和一致性。
发现论文，激发创造
  • 基于异构图网络的常识知识引入抽象对话摘要

    该论文介绍了一种新型的多说话者对话摘要生成器，利用大规模的常识知识来促进对话理解和总结生成。实验表明我们的模型能够优化 SAMSum 数据集，并且也能够更好地适用于新领域的零样本实验。

    Oct, 2020

  • 利用常识知识增强端到端对话系统

    本文研究了将常识知识有效地集成到对话模型中的影响，并在基于检索的情境下提出了 Tri-LSTM 模型，将消息和常识联合起来选择适当的响应，实验证明知识增强模型比无知识模型在自动评估中表现更好。

    Sep, 2017

  • 动态注入常识知识提高共情式对话生成效果

    本文提出了一种新颖的共情回应生成方法，该方法将自适应模块应用于常识知识选择，以确保生成的共情回应与说话者的情境一致，并使用所选知识来完善常识认知和共情表达以生成更一致和共情的回应。实验结果表明，与基准模型相比，我们的方法在自动和人类评估方面都显着优于基线模型，生成更一致和共情的回应。此外，案例研究强调了响应中知识选择的可解释性以及自适应模块在我们的模型中的有效性。

    May, 2023

  • 基于常识的对话生成：一个实证研究

    本研究针对 commonsense 在对话回应生成中的作用进行了实证研究，提出了一种新的对话数据集，并利用 ConceptNet 这个 commonsense 知识库，找到并整合了现有的真实对话数据集。通过使用这些数据集训练响应生成模型，该研究提出的自动评估方法显示出一定合理的评价效果。

    Sep, 2021

  • 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

  • 通过常识知识的提取和注入进行词汇限制的文本生成

    本论文中，我们探讨如何运用常识知识图谱提高条件文本生成模型的综合性能，通过从 Conceptnet 中提取常识关系，将这些关系注入到 Unified Language Model (UniLM) 中，并通过输出约束强制实施词汇要求，以提高生成文本的语义正确性和符合人类理解，从而实现了匹配词性和完全概念覆盖的要求。

    Dec, 2020

  • 一种增强的常识生成知识注入模型

    利用外部知识概念辅助 CommonSense 生成，通过原型建模和知识注入方法显著提高了性能。

    Dec, 2020

  • DISCOS: 架桥于话语知识与常识知识之间

    本文提出了一种基于 DISCOS 算法的常识知识获取框架，能够将更昂贵的复杂常识知识自动转化为更可承担的语言知识资源，以此来获取大规模常识推理知识。此方法在 novelty 和 diversity 方面表现优越，拥有着与监督学习方法相当的质量。

    Jan, 2021

  • SYNDICOM: 通过错误注入与自然语言反馈提升对话常识

    通过引入 SYNDICOM 方法来提高对话回复生成中的常识推理，该方法包括基于知识图谱创建的常识对话数据集和预测自然语言反馈的模型，以及在预测的自然语言反馈、无效回复和对话的条件下训练响应生成模型。SYNDICOM 在多项任务上相对于 ChatGPT 的 ROUGE1 指标实现了 53% 的相对改进，并且 57% 的人类评估者更喜欢 SYNDICOM。

    Sep, 2023

  • 利用显式推理进行常识增强式对话模型中的推理整合

    通过将常识推理分解为明确步骤，从而更好地生成、选择和整合常识来提高对话交互的自然性、参与度、特定性和整体质量，从而在常识推理增强的响应生成领域取得了最新技术进展。

    Jun, 2024