Mar, 2023

使用上下文摘要和领域框架的零样本泛化端到端任务导向对话系统

PDF
TL;DR该研究介绍了一种基于 GPT-2 模型的零 - shot 通用端到端任务导向对话系统，该系统利用​​域模式允许对未见过的域进行健壮的泛化，并利用对话历史的有效摘要，实现一般任务完成技能的学习。经过了大量的实验评估 SGD 和 SGD-X 数据集，跨越多达 20 个独特的领域，ZS-ToD 在关键度量上优于现有技术，联合目标准确率提高了 17％，信息传递提高了 5 个单位。
task-oriented dialog systemszero-shot generalizabledomain schemasend-to-endgpt-2
发现论文，激发创造
  • 基于描述的任务导向对话建模

    本文介绍了一种基于自然语言描述的任务导向对话系统，并提出了一种简单而有效的基于描述的对话状态跟踪模型（D3ST），证明其在多个基准测试中具有更高的性能和数据效率。

    Jan, 2022

  • 通过零样本可泛化奖励函数个性化任务对话系统

    本研究提出了一种名为 P-ToD 的新型框架，使用无监督学习的方法，使用零样本泛化奖励函数来实现个性化任务导向的对话系统，具有适应性强，并使用少量标记训练示例来微调模型。

    Mar, 2023

  • SGP-TOD: 通过模式引导的 LLM 提示轻松构建任务机器人

    该研究提出了 SGP-TOD—— 基于大型语言模型的模式引导对话系统，可以在不使用任何特定任务数据的情况下，生成适当的回应，具有零 - shot 性能，并且能够通过添加附加模式规则轻松适应新功能。

    May, 2023

  • AnyTOD: 一款可编程的任务导向对话系统

    我们提出了 AnyTOD，这是一种端到端的，零 - shot 的任务导向对话系统，能够处理未见过的任务，而不需要特定的培训。我们采用了一种神经符号方法，其中神经语言模型跟踪对话中发生的事件，并执行符号程序以推荐应该采取的下一个操作，从而显著降低了数据注释和模型训练的要求，并展示了在任务和领域上的强大的零 - shot 迁移能力。

    Dec, 2022

  • TODSum: 带状态跟踪的任务导向对话摘要

    本文介绍了一个大型的任务导向对话摘要数据集 (TODSum)，并提出了一种基于对话状态的结构化对话摘要模型来提高生成摘要的忠实度，证明了对话结构引导的有效性，并讨论了 TODSum 的当前问题和未来的发展方向。

    Oct, 2021

  • 使用蒸馏表示进行零和少量训练的任务导向对话代理定位

    本文提出了一种利用源语言 ToD 训练数据构建另一种目标语言下的高质量对话代理的方法，从而实现零样本和小样本学习，它通过提高对话数据表示的质量、改进基于实体的机器翻译和自动过滤干扰性翻译来实现这一目标，通过在中英对话数据集 BiToD 上的实验证明了该方法的高效性。

    Feb, 2023

  • 通过生成式问答实现对话状态跟踪中的零 - shot 泛化

    研究了一种基于生成型问答和条件语言模型的不需要本体的 Dialog State Tracking 方法，具有较好的领域迁移效果。

    Jan, 2021

  • Q-TOD: 基于查询的任务导向对话系统

    本文介绍了一种新的基于查询驱动的任务对话系统，即 Q-TOD，该系统可将对话上下文的关键信息提取为查询，进而用于检索相关的知识记录以形成响应生成，它能够显著缓解领域适应性和知识库可扩展性的问题，实验结果表明，Q-TOD 优于现有系统并在公开数据集上取得了最新的最佳表现。

    Oct, 2022

  • 针对任务导向对话的简单语言模型

    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

  • 促进情境学习与指示在端到端任务导向型对话系统中的协同作用

    利用 SyncTOD 改进了与任务有关的对话系统，通过在有限的数据情况下训练具有辅助模型和启示的大型语言模型，实现了在低数据设置中与 LLM 基准模型和 SoTA 模型相比的卓越性能。

    May, 2024