从知识增强到多任务学习:走向类人对话系统
本文介绍一种基于神经网络的端到端可训练的目标导向对话系统,以及一种新的数据收集方法,该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统,帮助用户在餐厅搜索领域自然地交流并完成任务。
Apr, 2016
本文探讨了任务导向对话系统的最新研究进展和挑战,特别在三个关键领域进行了深入讨论:提高数据效率、模拟多回合动态以优化任务完成性能,以及将领域本体知识与对话模型集成。此外,还评估了最近的对话进展和一些常用的语料库。我们相信,这虽然不是一个完整的调查,但它仍然可以为未来任务导向对话系统的研究提供启示。
Mar, 2020
本文探讨了使用增强学习的方式,通过与人类交互并接受其反馈来提高对话代理的能力,模拟了在人工环境中的各种学习情况,介绍了适用于此类学习的模型,并通过机械土耳其实验验证了此方法。
Nov, 2016
基于对话的人工智能协作可以在协作问题解决、创造性探索和社交支持方面起到革命性作用。本调查从传统的手工制作和信息状态方法到 AI 规划启发的方法,回顾了协同对话系统中对话管理范式的演变。然后,将焦点转向当代的数据驱动对话管理技术,这些技术旨在将深度学习在填充表格和开放领域环境中的成功经验转移到协作场景。本文还分析了一组将神经方法应用于协同对话管理的最新作品,突出了该领域的主要趋势。希望本调查为未来协同对话管理的发展提供基础背景,特别是在对话系统社区继续积极探索大型语言模型的潜力的情况下。
Jul, 2023
本文提出使用不断学习的方法,通过与用户进行对话,改进对话系统(chatbots)中按人工规则编译知识库和局限于理解自然语言的能力,提高在多种语言表达和聊天技能方面的用户满意度。
Sep, 2020
本文提出修改对话系统,使其能够学习的方法,并讨论了如何从对话中提取知识、更新代理的语义网络并以行动和观察为基础。希望引起人们对该领域的关注,并成为未来研究的重点。
Feb, 2022
本文提出了基于电影领域的一套新任务套件,旨在测试模型回答事实性问题、提供个性化、进行短对话及在 Reddit 上执行自然对话的能力,评估了各种模型在这些任务上的性能表现。
Nov, 2015