Mar, 2023

CTRLStruct: 开放域回复生成的对话结构学习

PDF
TL;DR本文提出了一种新的对话结构学习框架 CTRLStruct，该框架利用双向变压器编码对话文章，进一步通过对比学习任务训练来提高表示力，利用无标签信息有效地探索主题级对话集群及其转换，形成对话结构图，最终将该图结合到对话模型中进行生成，以实现更可控、可解释的响应生成。在两个受欢迎的开放领域对话数据集上进行实验，结果表明该模型可以生成比某些优秀对话模型更连贯的响应，并在对话话语表示中优于一些典型的句子嵌入方法。
dialogue structure learningtopic clusteringopen-domain dialoguetransformerscontrolled response generation
发现论文，激发创造
  • 基于任务的对话中的结构提取：基于槽聚类的方法

    本文提出一种在面向任务的对话中提取结构化信息的方法，通过使用预训练模型检测和聚类可能的槽标记来逼近目标领域的对话本体，在此基础上推导出状态转移结构，实验结果表明这种方法在对话结构提取方面表现比无监督基线模型更好，此外，通过基于提取的结构进行数据增强可以大幅提高对话响应生成的性能。

    Feb, 2022

  • 无监督学习层次化对话结构

    这项工作引入了一种无监督的学习层次对话结构的方法，包括对话行为和子任务。结构显示对于三个会话级理解任务，包括对话模型的优化是有用的。此外，通过自动摘要，学习的有限状态子对话网络是可解释的。

    May, 2022

  • 非监督对话结构归纳的结构化注意力

    本论文通过在变分循环神经网络模型中引入结构化注意力层，以无监督学习的方式学习对话结构，并对多方对话数据集进行了实验，展示了模型区分发言人或地址、自动脱钩对话的能力。

    Sep, 2020

  • 无监督对话结构学习

    通过使用改良后的 VRNN 模型和离散潜在向量来提取对话结构，我们的方法在预测未见数据方面具有优异性能，并在加入对话结构后的奖励功能设计实现了更快的强化学习收敛和更好的结果。

    Apr, 2019

  • 对话篇章解析和主题分割的无监督共学习

    通过主题分割和话语解析，我们提出了一种无监督的两种结构的互学习框架，以实现对话系统的全局目标和话语策略的一致性。实验结果表明，我们的方法在两个对话话语数据集（STAC 和 Molweni）以及对话主题数据集（Doc2Dial 和 TIAGE）上优于所有强基准模型。

    May, 2024

  • 结构化对话篇章分析

    该篇论文介绍了一种基于结构化编码和矩阵树学习算法的对话语篇分析方法，该方法通过编码和解码进行分析，不依赖手工特征，并在实验中达到了新的最优效果。

    Jun, 2023

  • 面向对话的结构化融合网络

    本文提出了使用结构化融合网络将显式对话结构加入神经对话系统的若干方法，该方法在 MultiWOZ 数据集上表现稳定并具有更好的域通用性、在数据减少的情况下性能更好，并且具有强大的强化学习能力。

    Jul, 2019

  • 朝向高效的对话预训练：具有可转移和可解释的潜在结构

    本文提出了一种轻量级且透明的基于潜在结构的对话生成模型，通过解析离散潜变量来实现可解释性，实证表明该模型相对于四种强基准模型有更好的对话质量和更快的运行速度。

    Oct, 2022

  • 生成对话中的样式控制

    本文将三个先前提出的可控生成结构应用于开放领域对话生成，控制生成的样式以匹配大约 200 种可能的样式之一，并比较它们各自的性能和权衡，展示它们如何提供对现有对话数据集的深入洞察，以及如何生成各种样式的会话回复

    Sep, 2020

  • GraphDialog: 将图表知识整合到端到端任务导向对话系统中

    本文提出一种适用于任务导向型对话系统的模型，利用知识库和对话的依存关系图结构信息解决了如何有效地将外部知识库整合到学习框架中以及如何准确捕捉对话历史语义的挑战。此外，该模型采用多跳推理能力以及循环单元架构进行表示学习。实验结果表明，该模型在两个不同的任务导向型对话数据集上均优于现有模型。

    Oct, 2020