ACLMay, 2023

多方对话应答生成的 EM 预训练

PDF
TL;DR此篇论文提出了一种基于 EM（期望最大化）算法的方法，用于优化多方对话应答生成模型，解决多方对话数据中缺乏标注指定对话对象的标签的问题。
dialogue response generationmulti-party dialoguesaddressee labelspre-trained language modelsexpectation-maximization approach
发现论文，激发创造
  • MADNet：基于最大化受话方推断期望的多方会话生成

    提出了一种预期最大增价网络（MADNet），用于建模具有缺失代表标签的多方对话，实现全连接图的生成并优化了生成应答的质量。

    May, 2023

  • 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

  • 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

  • InferEM：推断说话人的意图用于共情对话生成

    提出了一种名为 InferEM 的新型情感回应生成模型，其中通过利用多头注意力机制实现意图融合，并设计了一个多任务学习策略来平衡预测和响应生成的优化速率，通过实验表明 InferEM 可以有效地改进情感表达。

    Dec, 2022

  • 一种用于多样化对话生成的等尺寸 Hard EM 算法

    本文提出了一种 Equal-size Hard Expectation--Maximization 有算法，用于在多个解码器模型中生成多样性会话响应，理论分析和实验结果表明该算法能够生成高质量的多样化响应。

    Sep, 2022

  • 构建情感共识并利用非配对数据进行共情式对话生成

    本文提出了一种双重生成模型（Dual-Emp），通过集成前向对话模型、后向对话模型和表示情感共识的离散潜变量来实现情感共识的构建，同时利用来自开放域对话的非成对情感数据，产生了比人类注释更高效且成本更低的伪成对共情样本，进而在自动和人工评估中表现出优异的编织性和共情响应。

    Sep, 2021

  • 多语言对话的收信人和响应选择

    本研究介绍了多语言收件人和回复选择的概念，着重研究如何利用高资源语言数据来补偿低资源语言数据，并提出了几种用于对话系统的知识转移方法。我们创建了一个新的多语言对话数据集，通过数据集上的实验证明了我们方法的有效性。

    Aug, 2018

  • 情感回应生成的理论驱动数据集构建与优化

    我们提出了一种新方法，利用理论驱动的偏好数据集和优化算法来对齐 LLMs，以提高情感回应生成的质量和模型的泛化性能，并通过 EmpatheticDialogues 数据集以及 diff-EPITOME 和 BERTscore 指标来评估其效果。

    Jun, 2024

  • 多方聊天：在人群聚集中使用对话代理和模型

    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。

    Apr, 2023

  • 面向情感感知的对话响应生成的生成与分类多任务学习

    本文提出了一种基于 BART 的神经响应生成模型，通过多任务学习生成和分类，并注重情感，在对生成响应的同时识别情感。自动评估和众包手动评估显示，该模型使生成的响应更富有情感意识。

    May, 2021