Apr, 2023

多方聊天：在人群聚集中使用对话代理和模型

PDF
TL;DR本研究通过构建基于角色扮演的环境和收集对话数据集，评估了语言模型在多方对话场景下的表现，发现新的数据集 MultiLIGHT 可以在多人场景下显著提高分析表现。
multi-party conversationslanguage modelsgrounded conversationspairwise-trained dialogue modelsmultilight dataset
发现论文，激发创造
  • 大规模多参与者生成对话建模

    本文提出了一种新的对话代理模型 ——Generative Conversation Control，它能够控制对话代理的个性，并通过控制该模型上一次与目标演员的对话，实现对话代理个性的表达，该模型在 Reddit 评论数据上进行了验证和评估，其效果得到了显著提高。

    May, 2020

  • 设计和评估用于人工智能与人类交流的多聊天机器人界面：一项说服任务的初步发现

    这项研究探讨了多聊天机器人通信对于在特定说服场景中促进慈善捐赠的影响，分析了质性和数量性反馈，并讨论了该研究的局限性。

    Jun, 2024

  • MultiTalk: 用于多样对话的高分支对话测试平台

    研究了具有多种可能响应的对话，并使用多元会话数据集平衡高分歧因素 (10) 和若干次对话 (6)，通过选择性分支延续。为了评估多样化生成的不同任务，我们提出了一个简单的评分算法，基于二分图匹配来最佳整合一组多样参考。最终任务是理解听众期望反应的可控制生成任务，利用文本属性从预训练分类器自动诱导多层次预测会话深度的多个语言生成任务的研究。

    Feb, 2021

  • 神经会话模型中的说话者角色自适应多任务学习

    本文提出了一种使用多任务学习方法训练神经会话模型的方式来解决根据具体发言人训练缺乏数据、建立基于角色的会话代理的问题。实验证明该方法显著提高了基线模型的质量，生成更准确地捕捉发言者特征和讲话风格的响应，并且该方法算法简单易实现，不依赖于代表特定个体发言者的大量数据。

    Oct, 2017

  • 多方对话人工智能中的协议检测

    本文介绍了我们在多方会话系统上的工作，该系统邀请两名用户参与玩一个问答游戏，系统能够检测用户对最后答案的同意或不同意，并进行相应回应。我们通过性能和用户评估结果来评价系统，重点是检测用户的同意。我们的注释稿和所提出系统的代码已在 GitHub 上开源。

    Nov, 2023

  • PersonalityChat: 基于事实和特征的个性化对话建模的会话提炼

    本文利用大型语言模型（LLM）通过个性化对话生成，基于个人特点和人格特质创建了一个合成对话数据集，从而证明了个性化对话模型和与 PersonaChat 相比的表现优势。

    Jan, 2024

  • 利用潜在话语推断预训练多方对话模型

    通过无监督潜在变量推理方法联合推断对话结构并预训练多方对话感知模型，实现了优于基线的最新技术结果。

    May, 2023

  • 基于角色关系建模的多用户对话故事叙述

    本文探讨以人物为驱动的故事延续，引入角色之间的第一人称和第二人称叙述以及对话，需要模型选择与角色个性和关系一致并推动故事发展的语言。我们假设在训练人物对话和关系信息的多任务模型的基础上，改进了基于 Transformer 的故事延续。为此，我们拓展了 Critical Role Dungeons and Dragons 数据集，并通过自动提取每对交互角色之间的关系和他们的个性。一系列实验为我们的假设提供了证据，表明我们使用人物关系的多任务模型相对于强基线能够提高故事延续的准确性。

    May, 2021

  • 多方参与” 中的 “派对” 在哪儿？—— 分析小组社交会话结构

    本文研究了多方互动的会话分析，重点关注了会话结构和时间性，这些结果可以为计算模型提供指导，并探讨了这些发现对多方智能应用程序设计的影响。

    Aug, 2006

  • 多方响应生成与关系解缠

    该研究提出了一种通过对话上下文进行关系推理来指导神经响应生成的方法，并在多方对话中展示出优于基线模型的效果。

    Mar, 2024