MindDial:基于心理理论建模的信念动态追踪技术,用于实境神经对话生成
通过一个更佳的、基于理性的智能体在人类世界的适当整合,能够建立一个在人际合作中可以进行有效协作的方法,此研究提出了在 Minecraft 的虚拟场景下,对人类合作任务探索想象过程的细粒度数据集,并借此数据展示了几个有关于想象过程的任务的计算模型
Sep, 2021
通过使用深度神经网络模型,基于多模态交互数据集,我们在对话建模中提出了一种自动识别共同信仰和讨论问题的方法,评估不同特征类型对成功构建共同基础的贡献,并为这一新颖且具有挑战性的任务建立了基准。
Mar, 2024
本文通过结合不同的非语言交流提示,设计了一种能够描绘、学习和推断代理人心理状态的方法,并以此为基础开发了一种新型的能够跟踪和预测所有心理状态的能级能量模型,从而提供了一种基于非语言交流和信念动态的社交事件描述和视频总结方法。
Apr, 2021
本文提出一个基于神经网络的对话模型,用于协同解决局部可见参考游戏。该模型通过结构化的参考解析器精准地理解对话内容,利用递归记忆处理复杂任务并采用合理的生成策略,大幅提高了任务完成率。实验结果表明,该模型相对于同领域前沿技术取得了显著的性能提升。
Sep, 2021
本文提出了一种新颖的端到端可训练的神经网络模型,用于处理任务导向的对话系统,该模型将对话状态、API 调用和结构化的知识库查询结果相结合,以成功完成任务导向的对话,并且能够以联合学习为基础,更好地处理对话历史,生成结构良好的系统响应。在餐厅搜索领域的实验结果表明,相比先前的端到端可训练的神经网络模型,我们提出的模型在适当的系统响应生成方面表现更为卓越。
Aug, 2017
通过自然发生的口语对话构建首个基于一般认知论 (ToM) 的数据集 Common-ToM,研究表明语言模型在表现 ToM 时存在困难,但通过融合简单明确的信念表示可以提高语言模型在 Common-ToM 上的性能。
Mar, 2024
通过神经激活语言模型,线性解码不同代理人的信念状态,发现其内部包含了自我和他人信念的表征,这些表征对社会推理过程具有关键作用,同时在不同因果推理模式的多种社会推理任务中表现出潜在的泛化能力。
Feb, 2024
为了解决 AI 与人类之间协作中的问题,本文提出了一种新颖的计算问题,即为智能体预测它们自己和它们的合作者缺失的任务知识,通过丰富的感知和对话历史进行沟通和学习,以实现联合任务的完成,结果表明,预测合作者缺失知识是一种更可行的方法,且明确建模合作者对话移动和心理状态可以提供更好的结果。
May, 2023
提出了一种利用预训练词向量进行表示学习的神经信念追踪(Neural Belief Tracking,NBT)框架,用于估计对话中用户的目标,并可以在不使用手工制作语义词典的情况下达到与最先进的模型相同或更好的效果。
Jun, 2016