EMNLPOct, 2022

DialogConv：一种用于多视角响应选择的轻量级全卷积网络

PDF
TL;DR本文提出了一种轻量级的完全卷积体系结构 DialogConv，在卷积操作的基础上，对上下文和回应进行匹配，以从多个上下文视角捕获更丰富的语义信息，与现有模型相比，DialogConv 大小平均缩小 8.5 倍，CPU 和 GPU 设备上分别快了 79.39 倍和 10.64 倍。
end-to-end retrieval-based dialogue systemsrecurrent neural networkstransformersdialogconvresponse selection
发现论文，激发创造
  • UniConv: 多领域任务导向对话的统一对话神经架构

    提出了一种名为 UniConv 的神经结构，它能够同时训练多个模块，包括对话状态跟踪和回答生成器，用于多域任务导向的对话系统，实验表明其在 MultiWOZ2.1 基准测试上具有优异的性能。

    Apr, 2020

  • 基于卷积神经网络的信息检索模拟人类对话

    本文介绍了一种利用卷积深度结构语义神经网络特征进行信息检索的模型，以实现在与用户进行对话时产生人类般的对话互动，该模型采用上下文敏感的方法，具有显著优于传统基线模型的检索响应相关性。

    Jun, 2016

  • ConvLab：多领域端到端对话系统平台

    ConvLab 是一个开源的多领域端到端对话系统平台，它使研究人员能够快速设置实验，并比较许多不同的方法，从传统的管道系统到端到端的神经模型，在共同环境中。ConvLab 提供了一组完全注释的数据集和相关的预训练参考模型。我们扩展了 MultiWOZ 数据集，使用用户对话行为注释来训练所有组件模型，并展示了 ConvLab 如何使得在多领域端到端对话设置中进行复杂实验变得简单而不费力。

    Apr, 2019

  • ConvLab-3: 基于统一数据格式的灵活对话系统工具包

    ConvLab-3 是一个灵活的对话系统工具包，基于统一的面向任务对话（TOD）数据格式，旨在解决 TOD 数据集的多种格式和本体的障碍，可极大地降低模型适应新模型或数据集的成本。

    Nov, 2022

  • TextConvoNet: 基于卷积神经网络的文本分类体系结构

    本文提出了一种名为 TextConvoNet 的基于卷积神经网络的体系结构，不仅可以提取句内 n-gram 特征，还可以捕获输入文本中的句间 n-gram 特征，进而优于现有的文本分类用的机器学习和深度学习模型。

    Mar, 2022

  • 上下文卷积神经网络

    本文介绍了一种用于视觉识别的上下文卷积技术，理论基础来自神经科学研究；在图像分类和对象检测任务以及生成式对抗网络的生成结果方面，该技术都取得了较好的性能。

    Aug, 2021

  • 部署检索为基础的任务导向对话响应模型

    本文提供了一种 3 步程序来开发满足业务要求的对话模型，包括从历史对话中创建模板、使用神经网络建立对话上下文和业务约束，以及通过自我监督和受训者的方法优化模型，并进行实验验证并在人机交互的环境中应用于商业对话。

    Oct, 2022

  • 对话响应选择中的密集检索探索

    该研究提出了一种利用密集检索模型从包含数百万个响应的大型语料库或甚至仅由未配对句子组成的非平行语料库中直接选择适当响应的解决方案，并通过一系列专门设计的学习策略实现其在全范围评估设置下的优越性。

    Oct, 2021

  • 通过 LLM-Cognition 数据增强来概括对话式密集检索

    通过 LLM - 认知数据增强（ConvAug）的方式，本文提出了一个泛化会话密集检索的框架，生成多级增强会话以捕捉会话上下文的多样性，利用认知感知过程减少误报、漏报和幻觉，通过难度自适应的样本筛选改进模型的学习空间，采用对比学习目标训练更好的会话上下文编码器。通过在四个公共数据集上进行广泛实验，包括正常设置和零样本设置，证明了 ConvAug 的有效性、泛化性和适用性。

    Feb, 2024

  • 基于图卷积网络的强化学习中的情感识别的实时多模态环境

    本文介绍一种创新的使用图卷积网络和强化学习的上下文化情感识别模型，通过对话分组和提取多模态特征实时识别多模态对话信号中的情感。与其他最先进的模型相比，该模型在 IEMOCAP 基准数据集上展现出了识别实时多模态对话信号中情感的优势。

    Oct, 2023