基于对话的意图识别:DSTC 11 面向任务导向对话任务的研究
本文提出了一个多阶段的粗到细对比学习模型训练方案,用于联合对比学习和聚类在任务导向的对话中识别意图,该方法在 DSTC11 跟踪 2 评估结果中排名第一。
Mar, 2023
本文介绍了第 8 届对话系统技术挑战赛的 Schema-Guided 对话状态跟踪任务,其目标是开发适用于大型虚拟助手的对话状态跟踪模型,重点是跨域的数据高效联合建模和新 API 的零 - shot 推广。本任务提供了一个包含 16 个领域超过 16000 个对话的数据集,其中包括一个能够零 - shot 推广到新 API 的基线模型。本文介绍了任务定义、数据集和评估方法,并概述了提交系统的方法和结果,以突出现今最先进技术的总体趋势。
Feb, 2020
任务驱动的对话系统使用外部非结构化知识源来扩展任务领域 API 的覆盖范围,三个任务包括知识寻找、选择和响应生成,并用集成方法和大规模预训练语言模型取得了高性能。
Jan, 2021
该论文介绍了针对开放领域对话系统的交互式评估方法,为开发基于知识的响应生成模型,探索将其扩展到与真实用户的交互中提供挑战,从而介绍了从静态语料库到交互式评估的进展,以及如何最好评估开放领域对话模型的见解。
Jul, 2022
我们提出了一个完全无监督的对话意图识别框架,旨在通过研究最常见的对话序列来提取意图流,并且在处理对话语料库时进行预处理以提高结果。此框架不需要先验知识,适用于任何可能的用例,非常适用于各行业的实际客户支持应用。
Jul, 2023
本文探讨了无监督方法来克服任务导向对话结构设计的基本挑战:为每个对话轮分配意图标签(意图聚类)和生成一组基于意图聚类方法的意图(意图归纳),并且通过比较不同的 clustering 算法和嵌入方法,表明对于意图归纳任务,应当仔细考虑句子嵌入和聚类方法的组合选择,同时 MiniLM 和聚合聚类结构在意图归纳任务中显示出显著的性能提升。
Dec, 2022
本文提出了意图发现框架,通过自动聚类类似用户话语并手动注释,再通过对未被聚类映射的话语标记意图标签和标记传播,从原始对话中生成意图训练数据,以有效地解决在聊天机器人开发过程中遇到的用户话语分类问题,并验证了该框架的有效性。
May, 2020
该研究提出了自然语言对话系统中自动推断语义意图和关键词槽位的新方法,通过应用 Apriori 算法,设计了一种包含角色标注,概念挖掘,模式挖掘三步的粗略到精细的三步流程,实验表明该方法不仅适用于领域内和领域间的数据,具有良好的适应性,而且大大减少了手动工作。
Mar, 2021
本论文介绍并参加了 DSTC9 互动式对话评估赛中的子任务一和子任务二,提出了预训练语言模型用于生成与特定话题相关的回复,并提出了回复集合方法,同时提出了用于捕获与人类互动中对话流程的对话策划模型,设计了一种集成的开放域对话系统,具有流畅,连贯,连贯和人类特征的响应,并在子任务一中获得了第一名的人类评分和最高的 Meteor 和 Bert 分数,在子任务二中排名第三。
Jan, 2021