EMNLPOct, 2022

具有潜在变量的顺序主题选择模型用于主题导向对话

PDF
TL;DR本文提出一种名为 Sequential Global Topic Attention（SGTA）的新方法，将所有对话中主题转换的全局信息柔和地利用起来，以更好地建模以及引导当前对话的回复生成，采用与混合内核函数建模的多变量偏态正态分布的潜在空间预测主题，并利用主题感知的先验 - 后验方法进行次要预测主题的选择，实验证明 SGTA 方法在预测和生成任务上优于竞争基准。
发现论文，激发创造
  • 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

  • 基于跨度选择的线性注意力变换器用于有效和健壮的基于模式指导的对话状态跟踪

    通过自然语言描述对话模式，采用 SPLAT 模型实现对话状态跟踪，提高泛化性和效率。

    Jun, 2023

  • 面向话题引导对话的个性化话题选择模型

    提出了一种个性化话题选择模型 PETD，通过考虑边缘信息的相互作用，选择性地聚合这些信息以更准确地预测后续的话题，从而构建了一个富有吸引力和连贯性的对话系统。实验证明了该方法在各种评价指标上优于现有基线模型。

    Jun, 2024

  • 分层本地 - 全局变压器用于时间句子定位

    本文介绍了一种新的 Hierarchical Local-Global Transformer 模型来解决视频和文本之间的 fine-grained 语义对齐问题，并将其应用于 temporal sentence grounding 任务，通过跨模态平行变压器解码器将其编码为最终的基础。

    Aug, 2022

  • 序列到序列模型中对话行为预测的注意力引导

    采用 Seq2Seq 模型进行对话行为分类预测，不需要手动特征处理，其在 SwDA 和 MRDA 数据集上获得了高准确率的成果。

    Feb, 2020

  • 主题感知多轮对话建模

    本文提出了一种新颖的基于主题感知的无监督多轮对话建模方案，该方案通过无监督的主题感知分割算法和主题感知双交互匹配网络实现，在多个公共数据集上的实验结果表明 TADAM 可以胜过现有的最新方法，尤其是在出现明显主题转移的电子商务数据集上提高了 3.3％。

    Sep, 2020

  • 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

  • 面向话题的社交媒体语言神经关键短语生成

    研究自动理解社交媒体上的用户生成内容，利用基于序列到序列模型的神经关键短语生成框架提取突出信息，并允许生成缺失关键短语。实验表明该模型在三个数据集中表现优异，能学习有意义的主题，从而解释其在社交媒体关键短语生成中的优越性。

    Jun, 2019

  • 基于特征表示的顺序注意力源识别

    提出了一种基于序列到序列的方法 TGASI，采用归纳学习思想以区分不同时间戳中不同预测源的重要性，并通过设计的时间注意机制来提高在不同场景下源定位的准确性和可扩展性。

    Jun, 2023

  • 多轮对话生成中的主题相关性建模

    本文提出了一种基于 Biterm Topic Model（BTM）的对话生成模型 STAR-BTM 来解决多轮对话中话题漂移的问题，并在中文客服数据和英文 Ubuntu 对话数据上进行了实验，结果表明 STAR-BTM 在度量和人工评估方面明显优于现有模型。

    Sep, 2020