Mar, 2023

融合会话历史和候选来源进行上下文响应排序的对话系统中的 FCC

PDF
TL;DR本论文提出了一种灵活的神经网络框架，利用上下文信息从多个渠道进行整合来提高多轮对话响应排序的性能。在 MSDialog 数据集上的实验结果表明，我们的框架显著优于先前的最先进模型，提高 Recall@1 7％和 MAP 4％。
response rankingmulti-turn dialoguecontextual informationneural frameworkconversational systems
发现论文，激发创造
  • 会话上下文线索：以个性化和历史为例的反应排序

    利用 Reddit 数据集，我们在多方参与、自由结构的多轮对话中研究了不同结构元素对话建模的影响，并训练了深度神经网络来预测对话的下一句。我们发现，对话的上下文和参与者的历史信息都对预测准确性有所提高。

    Jun, 2016

  • 面向任务的对话系统的上下文感知对话重新排序

    提出了一种上下文感知的对话响应重新排序系统，使用神经词嵌入模型和手工或逻辑回归模型，将响应在与当前对话上下文的匹配分数和候选人的概率分布的基础上重新排名，提高了最近提出的端到端任务导向对话系统在具有语音识别错误的实际对话中的性能。

    Nov, 2018

  • 学习在对话问答中选择相关历史转折

    提出了一个名为 DHS-ConvQA（Conversational Question Answering 中的动态历史选择）的框架，该框架通过生成相关历史转折中的上下文和问题实体，并根据它们与问题之间的相似性进行修剪，使用基于注意机制的方法重新排列修剪过的术语，并通过二分类任务突出显示重排的对话历史中的术语，以提高系统性能，并且证明了选择相关转折比重写原始问题更有效的实证结果。

    Aug, 2023

  • 多轮主题驱动对话中有效信息利用的探究

    该研究通过 Fusion-in-Decoder 技术，采用多个通道对话历史和主题信息进行编码，实现了对长文本的多方面信息的利用，通过实验发现整篇文章通道加上历史通道的方法在 NaturalConv 数据集上的表现比较竞争性。

    Sep, 2022

  • 基于检索的聊天机器人多轮响应选择的顺序匹配框架

    我们提出了一种名为序列匹配框架（SMF）的新型匹配框架，该框架可以充分携带上下文中的重要信息，同时建模上下文中话语之间的关系，通过序列卷积网络和序列注意力网络实现，实验结果表明，这两种模型都可以显著优于现有技术，而可视化结果揭示了模型如何捕捉并利用上下文中的重要信息实现匹配。

    Oct, 2017

  • 利用潜在知识和对话上下文实现真实世界会话问答

    该论文提出了一种基于神经检索 - 阅读 (Retrieval-Reading) 系统和基于 TFIDF 的文本摘要技术来利用先前的谈话历史中的潜在知识的方法，以便更好地回答问题，并且实验证明该系统显著提高了回答质量。

    Dec, 2022

  • 针对医疗史采集的对话语境重新排序

    本文提出了一种两阶段的重新排序方法，通过使用对话上下文模型重新排序第一阶段问题的候选项来帮助弥合训练 - 推断差距，从而解决了由于现有系统使用间接数据或专家知识开发而导致的模型训练 - 推理鸿沟问题，并发现相对于专家系统，我们所提出的全局重新排序器结合转换器骨干的最佳性能，导致 30％更高的标准化折扣累积增益（nDCG）和 77％更高的平均精度（mAP）。

    Apr, 2023

  • 联合考虑上下文和用户历史信息的在线对话重返预测

    研究在线交流中重新参与预测的问题，提出了一个基于神经网络的框架，考虑了对话上下文和用户历史信息，实验结果表明该模型较之前的方法表现更优

    Jun, 2019

  • 用图引导的多轮检索方法解决面向对话的开放领域问答

    本文提出了一种基于图模型和关联反馈的检索方法，用于连续的问答交互中提高检索效率和准确性。实验结果显示，与当前流行的方法相比，该方法大幅提高了问题回答的 F1 得分。

    Apr, 2021

  • 在信息交互对话系统中使用深度匹配网络和外部知识进行响应排名

    该研究提出了一种在深度神经匹配网络上利用外部知识进行响应排序的学习框架，实验证明，该方法在包括商业数据在内的三个信息寻求对话数据集上优于各种基线模型，包括多个深度文本匹配模型和多轮对话响应选择的最新方法。

    May, 2018