May, 2023

基于语义空间的加权解码多属性可控对话生成

PDF
TL;DR通过一种新型的 DASC 生成框架并在属性语义空间上增加基础，即在多个属性之间进行插值，使用加权解码范例实现了多维度生成，实验表明，在 3 个方面的可控生成任务中，DASC 可以实现最先进的控制精度，同时产生有趣和合理的响应。
chatbotcontrollable generationdascattribute semanticsinterpolation
发现论文，激发创造
  • 从可见到不可见：探索多属性可控对话生成的组合泛化能力

    本论文提出了一种基于提示的解缠控制对话生成模型，DCG，在多属性可控对话生成中拥有更好的泛化性能，并设计了一个统一的无参考评估框架。实验结果证明了该方法和评估度量的有效性。

    Jun, 2023

  • 控制生成文本的发展

    本文旨在通过学习简化的语义分离潜在表示来生成和控制自然语言句子，同时通过变分自编码器和全局属性判别器的组合来建立新的神经生成模型。该模型具有可解释性和高效性，可以生成符合要求的具有各种属性的句子。量化评估验证了该模型的生成准确性。

    Mar, 2017

  • MIRACLE：基于潜空间多个个人属性控制的个性化对话生成

    个性化对话系统通过多个个人属性的控制在潜在空间的能量模型中提出了新的个性化对话生成方法，实验证明该方法在个性可控性和响应生成质量方面优于其他基线模型。

    Oct, 2023

  • 多角度可控文本生成的分布式视角

    通过分布式的角度提供属性融合的观察，建议直接搜索作为它们的生成组合的多个属性分布的交集区域。用自编码器结构估计属性空间，通过共同最小化到表示不同属性的点的距离来迭代地接近交集，最后用基于前缀调整的解码器将其映射到与属性相关的句子中。

    Oct, 2022

  • 一种基于条件变分框架的对话生成模型

    提出了一种框架，基于特定属性实现条件式回应生成，应用于两种不同的情景，结果表明模型在生成符合指定属性的响应方面具有潜力。

    Apr, 2017

  • 什么是良好的对话？可控属性如何影响人类判断

    本研究针对通俗聊天对话，通过调整可控的神经文本生成参数（条件训练和加权解码），控制重复、特定性、关联性和提问行为等四个重要特征，进行大规模人类评测，结果显示这些参数的不同组合能明显提升整体品质。

    Feb, 2019

  • 控制、生成、增强：面向多属性文本生成的可扩展框架

    引入了 CGA，一种有条件的 VAE 架构，可用于控制、生成和增强文本，通过对抗学习与上下文感知损失和循环词随机删减程序相结合，能够控制多种语义和句法属性生成自然的英文句子。通过自动和人工评估，证明所生成句子的高质量、多样性和属性控制，用于数据增强的下游 NLP 任务中，相比于强基线和同等数量的真实数据，使用 CGA 模型生成的句子有显著提高，分类性能也有所提升。

    Apr, 2020

  • 多方面可控文本生成与解耦式反事实增强

    提出了一种新的多方面可控文本生成方法 MAGIC，通过解耦反事实特征向量（在属性潜在空间中）缓解了训练过程中不平衡属性相关性的问题，并通过目标导向的反事实增强在推理过程中增强了属性相关性，实验证明 MAGIC 在不平衡和平衡属性相关性的场景中优于现有的方法。

    May, 2024

  • 对话中的个人属性预测

    本论文提出了一种基于预训练语言模型的模型，通过对话系统中用户发出的不带标签的语句进行无监督学习，从而实现预测用户个人属性值的目的，从而丰富 PKB，并通过挖掘未标注语句中嵌入的个人属性知识来实现两类监督。实验结果表明，该框架在预测个人属性方面表现最佳。

    Aug, 2022

  • 层次式生成模型用于可控语音合成

    该研究提出了一种神经序列到序列的文本转语音模型，基于变分自动编码器（VAE）框架，通过两级分层潜变量，实现对生成语音中很少被训练数据标记的潜在属性的控制，包括口音、语速、噪声等，其中第一级为类别变量，第二级为多元高斯变量，通过高斯混合模型 (GMM) 实现。经广泛评估，该模型展现出控制这些潜在属性的能力。

    Oct, 2018