AUTODIAL:高效异步任务导向对话模型
研究使用辅助任务对自回归模型进行改进,提高其在开放域对话生成中的长期语境处理和一致性维护,结果在小型和中型的 GPT-2 模型上表明引入新的辅助任务虽然有所改进,但仍有发展空间。
Apr, 2023
本文提出了一种新颖的端到端体系结构,用于任务导向型对话系统,该体系结构基于简单实用但非常有效的序列到序列方法,以联合建模语言理解和状态跟踪任务,同时使用结构复制增强的顺序解码器和每个插槽的多标签解码器。在评估中,这种架构在剑桥餐厅数据集和斯坦福车载助理数据集上均取得了最先进的性能。
Aug, 2019
本文提出两种具有辅助任务的模型,用于响应选择,并在 MultiWOZ 2.1 数据集上取得了 107.5 和 108.3 的综合分数,优于具有三倍以上的参数基线模型。
Aug, 2022
SimpleTOD 采用单个因果语言模型解决任务导向的对话,具有先进的性能,并且可以完全利用预训练、开放领域的因果语言模型进行转移学习。它提高了对话状态跟踪的联合目标准确性,改善了在端到端设置中评估行动决策和响应生成的主要指标。
May, 2020
鉴于大型语言模型的最新进展,下一代虚拟助手的期望包括在各种使用场景中增强自然性和适应性。为了解决为面向任务的对话(TOD)创建高质量的注释数据的缓慢和昂贵问题,我们介绍了面向任务的自动对话(TOAD),以及其自动生成流程。TOAD 数据集模拟了真实的应用程序上下文交互,并提供了多种系统响应样式选项。我们在两个响应生成任务上对 TOAD 进行了基准测试,结果表明,对建模更冗长或没有用户表情的响应更具挑战性。
Feb, 2024
该研究提出了一种基于 Task-Optimized Adapters 和强化学习的 End-to-end TOD 系统,能够独立学习每个任务,并在 MultiWOZ 基准测试上表现出优越的性能,特别是在 2.2 数据集上的 DST 任务达到了最先进的水平。
May, 2023
该研究提出了通过 PPTOD 模型和新的对话多任务预训练策略来解决任务导向对话系统中存在的级联生成问题,取得了针对几个基准 TOD 任务的最新成果。
Sep, 2021
为了推动自动化任务导向对话系统的评估,本研究提出了一种基于预训练语言模型的新型用户模拟器,并通过上下文学习来生成具有鲁棒性和语言多样性的输出,以模拟人类对话行为。通过与现有对话系统交互,并收集人机交互数据集,验证了该用户模拟器在单一意图对话目标方面的表现与人类相似。
Sep, 2023
本论文提出了一个基于编码器 - 解码器模型的任务导向对话系统的实用且新颖的框架,使其能够完成与外部数据库的交互和独立决策,并将聊天功能与插槽填充系统交替使用,以提高领域外恢复的能力。在实验中,使用公交信息系统的真实用户数据和人际对话数据,所提出的框架表现优异,且离线评估指标和任务成功率与人类用户相当。
Jun, 2017
本文提出了一种新的任务定向对话数据增强方法 TOD-DA,它包括对话丰富和口语会话模拟器,可以增加大规模高质量带注释口语会话,以提高口语任务定向对话建模的鲁棒性。在 DSTC10 Track2 的两项任务中,我们的方法均排名第一,证明了 TOD-DA 的优越性和有效性。
Dec, 2021