COLINGSep, 2022

面向任务的端到端对话的自回归实体生成

PDF
TL;DR本文提出了一种基于语义实体自回归的端到端任务导向对话系统，通过逐步生成语义实体并结合当前对话上下文，生成更高质量、一致性更强的对话回复。
task-oriented dialog systemsexternal knowledge baseresponse generationentity autoregressionend-to-end system
发现论文，激发创造
  • 具备实体一致性的端到端任务导向对话系统与知识库检索器

    本文提出了一种新的框架，通过两个步骤查询知识库以提高生成的实体的一致性，第一步是使用 KB 检索组件检索最相关的 KB 行，以过滤 Seq2Seq 响应生成模型中的无关实体，第二步则进一步执行关注机制以解决相关的 KB 列。两种方法被提出来使训练可行，包括远程监控和 Gumbel-Softmax 技术。在两个公共数据集上进行的实验表明，我们的模型通过优于基准系统，在生成一致实体响应方面具有较好的效果。

    Sep, 2019

  • 自回归实体检索

    GENRE 是第一个通过自回归方式逐个 token 生成实体名称以检索实体的系统，此方法可以在自动编码器中直接捕捉上下文和实体名称之间的关系，从而减少内存占用并提高检索效率。

    Oct, 2020

  • 面向任务型对话的多粒度知识检索

    通过引入多层级的知识检索器 MAKER 及一种新的蒸馏目标和监督信号，对话系统中的知识检索与响应生成解耦，从而有效地检索大规模的知识库。

    May, 2023

  • 任务驱动对话中基础知识查询的无监督学习

    本文提出了如何在没有知识库查询注释的情况下，使用强化学习和管道方法来训练任务导向型对话系统，并解决了相关问题，并通过分析强化学习算法的相关性和差异，突出了训练任务导向型对话系统的挑战。

    Apr, 2020

  • 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

  • 端到端任务导向对话系统的检索生成对齐

    利用最大边际似然方法训练感知检索器，通过利用生成回应的信号来提高生成回应的质量，并结合元知识指导生成器，以增强知识的利用能力。

    Oct, 2023

  • 基于半监督学习的面向知识检索任务的对话系统

    提出一种基于检索的方法，以加强 TOD 系统中的知识选择，并结合半监督学习进行潜变量模型，该模型可以与知识检索器一起利用有标签和无标签的对话数据。实验证明，该方法在有标签和半监督设置下均优于传统的数据库查询方法。

    May, 2023

  • 增强检索辅助端到端面向任务系统在已见和未见对话场景中的性能

    通过使用简单的缓存，该研究为任务导向对话系统带来了更大的灵活性。实验表明，该框架具有卓越的性能，与强基线相比，非空联合目标准确率提高了 6.7%。

    Aug, 2023

  • 针对端到端任务导向对话系统的重新排序过度生成的回应

    本研究提出了一种简单而有效的重排序方法，以从系统最初生成的响应列表中选择高质量响应，通过使用任何序列级（相似性）得分函数将响应的语义空间划分为高得分和低得分分区，并在训练时使用，用于提高末端任务导向对话系统的性能，以及在 MultiWOZ 数据集上取得突破性结果。

    Nov, 2022

  • 端到端任务导向对话系统中基于约束知识库的蒸馏

    论文利用基于余弦相似度的滤波技术以及辅助损失函数构建了一个新的关于任务导向型对话系统和知识库之间的信息筛选模型，并提出了一个解决现有实体 F1 指标正确性问题的新指标 multiset entity F1。实验结果表明该模型比现有的最先进模型表现更好。

    Sep, 2021