本文介绍一种基于神经网络的端到端可训练的目标导向对话系统,以及一种新的数据收集方法,该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统,帮助用户在餐厅搜索领域自然地交流并完成任务。
Apr, 2016
本文提出一种个性化的端到端模型,以应用个性化技术来解决对话系统中的一些悬而未决的问题。该模型结合了 “个人资料模型” 和 “偏好模型” 两个子模型,并实践证明其在对话系统任务完成率和用户满意度等方面取得了良好表现。
Nov, 2018
本研究通过学习 MMD 数据集并实现基于知识库的多模态对话模型解决了多模态基于搜索的对话系统中的新挑战,该模型将编码的知识库表示附加到解码器输入中,从而在文本相似性测量方面获得了高于强基线的表现,其中三个 BLEU 点仅由于使用了来自知识库的附加信息。
Oct, 2018
本文提出了一个可以双重增强知识的生成式语言模型,用于为多模态任务导向式对话系统生成适当的文本响应。实验证明,该模型优于现有竞争对手。
Jul, 2022
本文介绍了一种基于深度强化学习的方法,使用策略梯度算法来优化基于任务且与视觉相关的对话,该方法在通过 Mechanical Turk 收集的 12 万个对话数据集上进行了测试,并提供了鼓舞人心的结果,可以解决生成自然对话和在复杂图像中发现特定对象的问题。
Mar, 2017
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
本文提出了一个测试平台,以研究在特定场景下 end-to-end 对话系统的性能,通过实验比较其与手工设计的系统的相似性及差异性。结果表明,end-to-end 系统基于记忆网络能够实现目标,但仍存在缺陷。
May, 2016
本文介绍了一种基于强化学习的新型端到端对话系统学习框架,用于解决模块化任务完成功能对话系统在训练和使用中面临的挑战。研究的实验表明,该端到端系统不仅在客观和主观评估中优于传统的模块化对话系统基线,而且在处理语言理解模块的各种误差时具有稳健性。
提出了基于自动化和众包的 Machines Talking To Machines (M2M) 框架,可用于创建面向目标对话的端到端对话代理,该框架可适应特定任务,并能够收集更多不同领域内的对话流,并维持对话时的自然度,同时,提供了一个新的对话语料库,包含 3000 次对话,涵盖了 2 个领域,与流行的对话数据集进行了比较。
Jan, 2018
本文提出了基于电影领域的一套新任务套件,旨在测试模型回答事实性问题、提供个性化、进行短对话及在 Reddit 上执行自然对话的能力,评估了各种模型在这些任务上的性能表现。
Nov, 2015