文档驱动对话的粗细知识选择
本文提出了一种生成式方法,名为 GenKS,用于在基于对话历史的语境下选择适当的知识片段,该方法通过序列到序列模型生成标识符来选择片段,捕捉片段之间的内部知识交互,并通过超链接机制显式地建模对话 - 知识交互,同时在三个基准数据集上进行实验并证明 GenKS 在知识选择和响应生成方面取得了最佳结果。
Apr, 2023
本研究提出了一种将对话模型中的背景知识文档自动转换为文档语义图以对其进行知识选择,并联合应用多任务学习来改善句级和概念级知识选择的方法,并通过实验证明其在诸如 HollE 和 WoW 等领域的知识选择任务和端对端响应生成任务上均优于基于句子选择的基线模型,并且在看不见的话题上改进了泛化能力。
Jun, 2022
本文提出了一种基于文档的对话方法,通过生成理解文本的知识与回答用户提问,逐步消除错误传播问题,并采用温度调度方法减少文档信息的负面影响,实验结果证明了多任务学习策略的有效性。
Apr, 2022
本文总结了我们在第九届对话系统技术挑战赛(DSTC 9)第一轨中的工作,我们提出了一种基于层次分类和序列嵌入的检索和生成方法,以实现针对任务导向对话中利用非结构化文本信息的回答生成。
Feb, 2021
本文提出了一种名为 FGD 的新学习框架,可以通过 multi-granular aligned distillation 快速有效地在长文档中检索相关文档,同时保留了传统的密集检索模式。
Dec, 2022
为了实现对话系统的智能回答,文中设计了 DRKQG,该系统能够根据上下文信息,在没有提前准备知识库的情况下通过搜索引擎检索相关知识,并利用生成模块同时考虑上下文信息和检索知识生成回答,实验结果表明,该模块在自动评估和人工评估两方面取得了优异的成绩。
Jul, 2022
本研究提出了一种基于文档匹配的网络对话模型 (DGMN),用于支持知识感知的基于检索的聊天机器人系统,在匹配过程中,通过信息融合和层次交互,动态确定文档和上下文的关键信息,实验结果表明,该模型能够显著提高现有方法的表现,并具有良好的可解释性。
Jun, 2019
提出了一种基于数据驱动的生成型对话系统 GenDS,能够生成对特定领域知识和输入信息进行应答的多个答案实体,在没有实体在训练集中出现的情况下也可以对其进行处理,并在实验中取得了较好的性能表现。
Sep, 2017
基于对话文本和外部知识的知识驱动对话系统面临实际应用中各种噪声干扰,为提高系统鲁棒性,我们提出了一种基于实体对比学习的框架,通过引入两种类型的干扰样本,使得模型在真实应用中能够生成具有信息性的回应,实验证明该方法在三个基准数据集上实现了最新的性能提升,并在噪声和少样本场景下胜过其他模型。
Jan, 2024
本文提出了一种新的知识感知对话生成模型,称为 TransDG,该模型将知识库问答(KBQA)任务的问题表示和知识匹配能力转移到生成对话的内在理解和事实知识选择中。我们采用了一种响应引导注意力和多步解码策略的方法,以引导模型集中于生成相关的特征。在两个基准数据集上的实验证明,我们的模型在生成信息全面和流畅的对话方面具有稳健的优越性。
Dec, 2019