Nov, 2022

基于社交意识强化学习的主动型对话代理改进

PDF
TL;DR通过采用强化学习算法，研究设计基于社交和任务相关特征的行为预测策略是智能对话代理下一步的发展，以期通过优化设定的预测性对话策略，增强用户满意度和任务效率，并在实践操作中取得较好的协同效果。
intelligent dialog agentsproactivitytask-oriented behavioruser interactionreinforcement learning
发现论文，激发创造
  • 主动对话系统调查：问题、方法和前景

    本综述论文提供有关积极对话系统的综述，包括设计和挑战等方面，以及对话类型和实际应用的相关信息。

    May, 2023

  • 基于相关知识和目标的预测性检索聊天机器人

    本文提出了一种新的多任务学习框架，以预测相关知识并通过显式信号来监督其学习，实现知识驱动的主动式对话，从而提高最终响应选择的准确性。

    Jul, 2021

  • 人工智能团队中的统计先动态建模所需的信任感知用户模拟器开发

    本文研究了人工智能和人类协作的关键问题，提出了基于语料库的用户模拟器用于协同人 - AI 团队之间的有效沟通和合作，比较了两种不同的模拟方法，以寻找最佳的主动策略。

    Apr, 2023

  • 与非合作用户的交互：积极对话策略的新范式

    本研究旨在提高主动对话策略在动态用户交互中的自然性和实用性，特别关注非合作用户行为，提出一种名为 I-Pro 的新解决方案，在学习目标权重方面有所创新，并在实验中取得了显著的效果和可解释性。

    Apr, 2022

  • 使您的机器人主动的两种方式：推断人类意图或者推断可能的未来

    本文研究实现机器人主动性的两种方式：一是认知人类意图并执行，如开门；二是预测未来可能的事件并行动，如提醒带雨伞。接着基于以上两方面进行推理，实现一套整合系统，其在家庭机器人与人类的样例上表现出比单独的主动系统更全面的主动性。

    May, 2022

  • 面向人类中心的主动对话代理

    近期关于主动对话代理（PCAs）的研究主要集中在提高系统在用户表达需求之前，预测和计划行动序列以完成任务和实现目标的能力。这篇论文强调了朝着强调人类需求和期望，考虑代理的伦理和社会影响，而不仅仅关注技术能力的以人为中心的 PCAs 的重要性。我们通过建立涉及智能、适应性和礼貌三个关键维度的新分类体系来解决主动系统与反应系统之间的区别，防止主动系统被人类用户视为侵入性。根据这个新分类体系，我们根据 PCAs 系统构建的五个阶段，讨论了潜在的研究机会和挑战。这篇论文为会话信息检索研究领域奠定了基础，并为推进以人为中心的主动对话系统铺平了道路。

    Apr, 2024

  • ProAgent: 利用大型语言模型构建主动合作的人工智能

    建立具有适应性行为的人工智能在人工智能与人类合作中具有重要的研究焦点。本研究提出了一种名为 ProAgent 的新框架，利用大型语言模型来预测合作伙伴的决策并改进自身计划。实验证明，ProAgent 在与人工智能代理和人类合作中表现出显著优越性能，为人类与机器人协作的未来研究提供了启示。

    Aug, 2023

  • 对话生成的深度强化学习

    本研究基于强化学习，建立一个可生成更多交互式回复、更长且不重复的对话、更容易回答问题的聊天机器人的神经对话模型。

    Jun, 2016

  • 使用强化学习进行开放式对话的动态规划

    本研究利用强化学习技术结合最先进的自然语言理解模型创造了一个实时的对话系统，并在使用谷歌智能助手的实验中，使用众包数据进行训练，显著超越了强化模型，证明其对于自然人对话有较高的开放性和可行性。

    Jul, 2022

  • 通过强化学习学习生成对话生成的提示

    本文提出了将 prompting 和 reinforcement learning 相结合的方法以控制 chatbot 生成的内容，并通过 multi-task learning 提高该方法的泛化能力和适应性，实验证明所提出的方法可以成功控制多个 SOTA Dialogue Models。

    Jun, 2022