EMNLPOct, 2022

PENTATRON：针对检索式对话理解的个性化上下文感知 Transformer

PDF
TL;DR本文研究如何通过构建一种可扩展的实体矫正系统 PENTATRON，利用参数化的基于转换器的语言模型学习客户和设备之间的交互模式以及非参数化的个性化实体索引来计算正确的查询，从而帮助下游组件理解最佳响应，提高准确率。通过实验表明，该系统可以使关键指标（精确匹配）提高多达 500.97%。
conversational understandingintelligent devicesentity correction systempersonalized entity indexlanguage model prompts
发现论文，激发创造
  • 个性化对话响应生成中的检索增强上下文感知前缀编码器

    本研究提出了一种基于检索增强的个性化响应生成方法，通过在对话领域数据上设计分层的 Transformer 检索器和上下文感知前缀编码器，将检索到的信息更有效地融合到解码器中，从而在英语 Reddit 对话中生成更流畅和个性化的响应，与现有技术相比性能更优。

    Jun, 2023

  • 一种混合检索生成神经对话模型

    本文提出了一种混合神经对话模型，其结合了检索和生成方法的优点，并经实验证明其在 Twitter 和 Foursquare 数据上优于检索方法和生成方法（包括最近提出的基于知识的神经对话模型），这将为构建对话系统提供新的思路。

    Apr, 2019

  • 解释与征服：个性化的基于文本的评论实现透明度

    利用个性化的文本评价模型 PTER，基于特定用户交互和可用评价，预测并解释旅游餐厅的评论。

    May, 2022

  • 利用潜在知识和对话上下文实现真实世界会话问答

    该论文提出了一种基于神经检索 - 阅读 (Retrieval-Reading) 系统和基于 TFIDF 的文本摘要技术来利用先前的谈话历史中的潜在知识的方法，以便更好地回答问题，并且实验证明该系统显著提高了回答质量。

    Dec, 2022

  • 通过角色扩展来提高对话中的人格一致性

    该论文提出了一种新的检索到预测范例来解决个性化聊天机器人中 OOP 问题，并通过采用实际人物进行后验转换来进一步缓解训练和推理之间的差距。并通过 IT-ConvAI2 和 ConvAI2 的广泛实验表明，我们提出的模型在自动指标和人类评估方面都取得了可观的改进。

    Aug, 2022

  • Persona-Knowledge 对话多上下文检索和增强解码方法

    本文通过设计一种数据增强策略，运用神经问答检索模型，探讨了 Persona-Knowledge 的识别和响应生成任务，采用不同的解码技术进行对话生成，最终取得了 93.99% 的平均重合度和 23.62 分的 SacreBLEU 分数，成为当前 SOTA 的最佳实践。

    Jul, 2022

  • 使用多编码器融合策略来改善个性化回复选择

    本文介绍一种基于 BERT 的个性化响应选择模型，融合对话者个性、情感和蕴含信息的交互关系，并在 Persona-Chat 数据集上进行表现测试，在 Top-1 准确率上跑出了 2.3% 以上的性能提升，取得了最新的最先进的性能。

    Aug, 2022

  • 基于人设的对话型人工智能：现状与挑战

    研究旨在探索如何在会话系统中加入角色信息以提高响应生成的质量，并发现当前存在不足和挑战和未来的研究方向。

    Dec, 2022

  • UniRetriever：多任务候选选择用于各种上下文自适应式会话检索

    我们提出了一种多任务框架，作为会话中三个主要检索任务（个人选择、知识选择和回复选择）的通用检索器，通过设计一个双编码器体系结构来检索相关上下文，通过点积方法检索适合的候选项，并引入两个损失约束来捕捉对话上下文和不同候选项之间的微妙关系。实验证明我们的模型在训练领域内外都能取得最先进的检索质量，揭示了其成为同时用于不同候选项选择任务的通用检索器的潜在潜力和泛化能力。

    Feb, 2024

  • 基于堆叠指针网络的知识图谱对话问答的上下文转换器

    本论文提出了一种名为 CARTON 的新框架，采用多任务语义解析来解决大规模知识图谱上会话问答问题，实现了针对复杂顺序问答的标准数据集上的最佳表现，并在八种问题类型中显著提高 F1 得分，针对逻辑推理问题的提高达到 11 个绝对点。

    Mar, 2021