Oct, 2022

自然语言生成对话机器人多次回复的效果

HTML
PDF
TL;DR本研究通过提供多个回复以创建群聊氛围来缓解自然语言生成聊天机器人回复不当内容，导致用户体验不佳的问题，实验结果表明，相较于单次回复，用户将从NLG模型中一次性收到多个回复将会有更好的聊天体验。此外，对于单次回复和匿名头像的NLG聊天机器人来说，提供五次回复将比设定一个动漫头像更有益处。
发现论文，激发创造
  • 生成短文本对话的多个不同响应

    该研究提出了一种新型的响应生成模型，使用一种强化学习算法以考虑一个响应集合，同时生成多个不同的响应，实验证明相比各种最先进的生成模型，我们模型生成的多个响应具有更高的质量和更大的多样性。

    Nov, 2018

  • 从对自然语言反馈的对抗修改中学习即兴聊天机器人

    该研究通过引入生成对抗模型，将含杂谈反馈转换成具有自然样式的回复，可用于训练聊天机器人模型，提高正确回复的准确率。

    Oct, 2020

  • 奖励数百万用户与聊天机器人的现实世界互动

    该研究探讨了如何使用人类反馈来有效地开发高度吸引力的社交聊天机器人，通过伪标签和奖励模型提高了聊天机器人的用户积极性和留存率，从而达到使用者参与度优先的目的。研究结果表明，这种方法可以将聊天长度增加高达70％，使GPT-J 6B模型的用户留存率增加超过30％。未来的工作将使用奖励模型实现数据飞轮，以轮换地微调语言模型和奖励模型。

    Mar, 2023

  • 自然语言生成对话服务的聊天体验的预测因素是什么？

    通过使用PLS-SEM方法，本研究提出了一个基于自然语言生成的对话系统的聊天体验预测模型，该模型研究了包括生成的提示，对话中的连贯性、情感和相似性以及用户感知的对话代理的友好度在内的各种因素，研究的结果表明，用户友好度和对话的连贯性、情感和相似性是用户聊天体验的积极预测因素，同时，研究发现用户可能更喜欢具有外向、开放性、责任心、宜人性和非神经质特征的对话代理。

    Apr, 2023

  • 理解开放域聊天机器人中的多轮有害行为

    设计了一种名为 oxicbot 的新攻击方式，通过对话序列来触发多轮对话中聊天机器人生成有毒回复，使得聊天机器人模型可以被触发生成有毒回复，进而绕过两种防御方法，需要进一步研究解决动态交互环境下聊天机器人的毒性问题。

    Jul, 2023

  • 多功能NLP聊天机器人：设计、方法论和总结

    本研究论文重点探讨了聊天机器人技术环境的历史、困难和前景，并提供了一种非常灵活的聊天机器人系统，利用强化学习策略改善用户互动和对话体验，使用情感分析和自然语言处理技术确定用户情绪，并探讨了聊天机器人技术发展的复杂性及其对各个领域的深远影响。

    Oct, 2023

  • 聊天机器人不是您所需的全部：信息丰富的提示以获得更真实的回应

    借助五感、属性、情感状态、与交互者的关系和记忆，我们提出了一种新的方法来从大型语言模型中生成更加真实、一致的回答，旨在增强大型语言模型在会话交流中生成自然、真实反应的能力。通过我们的研究，我们希望为模仿小说人物的大型语言模型的改进能力做出贡献。我们在我们的GitHub上发布了一个新的基准数据集以及所有的代码、提示和样例结果。

    Dec, 2023

  • 揭示多模态互动对用户参与度的影响：在AI驱动的对话中的综合评估

    研究发现，多模态交互在聊天机器人对话中显著提升了用户参与度，尤其是通过三个模态的结合，可以进一步增强用户参与度和信息理解，这为聊天机器人设计提供了有价值的洞见，并向广大人工智能社区阐述了多模态交互在提升用户参与度方面的益处。

    Jun, 2024

  • 设计和评估用于人工智能与人类交流的多聊天机器人界面：一项说服任务的初步发现

    这项研究探讨了多聊天机器人通信对于在特定说服场景中促进慈善捐赠的影响，分析了质性和数量性反馈，并讨论了该研究的局限性。

    Jun, 2024

  • 在线与离线：第一方与第三方对社交聊天机器人的评估比较研究

    本研究解决了在评估对话聊天机器人时在线与离线评估方法的有效性之间的差距。通过扩展包含同情心聊天机器人的用户对话的基准数据集，并引入离线第三方评估，我们系统地比较了在线互动反馈与离线评估的差异。最重要的发现是，离线评估未能有效捕捉人机互动的细微差别，而使用GPT-4模型的自动化第三方评估能更好地接近第一方人类判断，从而推动对话AI评估的改进。

    Sep, 2024