基于规划的可解释协同对话系统
本文提出了一个包含最大的 2.8B 参数的中文对话系统 EVA,使用最大的中文对话数据集 WDC-Dialogue 进行预训练,实验证明 EVA 在人机会话的多轮交互中表现优异,超过了其他中文预训练对话模型。
Aug, 2021
通过将大语言模型与视觉信息相结合,建立了一种神经符号共同思考推理框架 JARVIS,用于构建可解释且高效的对话体载体,结果达到了现有方法中最优结果。
Aug, 2022
该研究提出了一种新的方法,将知识推理能力纳入对话系统的可扩展性和通用性中,以提高用户体验。该方法使得单一转换器模型能够直接在大规模知识图谱上进行推理,以生成响应,并通过任务导向和特定领域的对话交流进行了实证研究,证明了其有效性和高效性。
Mar, 2022
本文研究了基于视频对话生成,提出一种方法,可以将视频数据集成到预训练语言模型中,通过多模态推理实现各种模态之间的互补信息,实验结果表明,该模型能够在自动和人工评估方面显著优于现有的最先进模型。
Oct, 2022
本文提出了一种使用规划技术处理说明性对话代理的方法,从模型征集到生成的计划的执行,涵盖过程的所有方面,同时介绍了一种全新的计划编码方法、多种规划接口和一个强健的执行者。
Oct, 2019
这篇研究论文探索了大型语言模型在用户指令理解和决策方面的潜力,并提出了一种新的任务,即主动性代理规划。通过建立一个新的基准数据集和提出一个多代理框架,研究者验证了所提出框架的有效性。
Jun, 2024
在日常对话中,人们通过表达情感来传递情感信息,因此情感理解成为情感智能的关键一步。为了理解对话中的情感,我们需要让机器能够识别话语中的情感(对话情感识别,ERD),然后根据情感找出导致该情感的话语(对话情感原因提取,ECED)。目前的研究忽略了情感和原因之间的相互补充关系,因此我们提出了一种新的任务,即 “对话情感推导解释”(EDEN)。EDEN 以明确的推理方式识别情感和原因,模型需要生成一个解释文本,对导致情感的原因进行总结,使用常识分析讲话者的内部活动,然后根据推导出的原因猜测情感。为了支持 EDEN 的研究,我们基于 ECED 中的现有资源,通过人力努力构建了两个 EDEN 数据集。我们在 EDEN 上评估了不同模型,并发现大型语言模型(LLMs)比传统的预训练语言模型(PLMs)更有竞争力。此外,EDEN 可以帮助 LLMs 更好地识别情感和原因,探索了对话中可解释的情感理解的新研究方向。
Jun, 2024
该研究介绍了基于知识的认证在语音对话系统中的重要性以及如何利用多语言数据集 EVI 开发和评估多语言信息的三个认证任务,同时利用该数据集提出了一些模型和研究方向。
Apr, 2022
本文研究大规模预训练对于中文场景下开放域对话系统的影响,提出 EVA2.0 模型,并通过自动和人工评估证明该模型在公开数据集上表现更优,同时讨论了该工作的局限性和未来方向。
Mar, 2022