Jun, 2023

强化学习助力自然语言生成：在线领域非正式摘要的离线强化学习

PDF
TL;DR本研究介绍了一种创新的自然语言生成（NLG）方法，旨在优化用户体验并减轻人类客户支持代理的工作量。通过引入机器学习模型，该方法具有更高的回复质量，从而提高了客户支持服务的效率和有效性，并提升了用户在消费在线内容时的整体体验。
natural language generationreinforcement learningtext generationcustomer support servicesuser experience
发现论文，激发创造
  • 基于强化学习的不确定性下自然语言生成规划

    本研究提出了一种新的基于统计规划的自然语言生成模型，它能够在存在噪声反馈的情况下（例如用户和实现器的当前生成上下文），有效地解决常见的自然语言生成问题，包括信息展示、语句长度和信息传递量等方面的折衷问题。我们采用强化学习方法训练该模型，并将其性能与先前工作中的基准性能进行了比较，结果表明，该模型的性能明显优于所有基线模型。

    Jun, 2016

  • 自然语言强化学习

    强化学习和自然语言表示相结合的自然语言强化学习 (NLRL) 框架在解决样本效率低、解释性差、稀疏监督信号等问题方面表现出了显著的能力。通过在自然语言空间重新定义强化学习的概念和原则，以及结合大型语言模型的先进技术如 GPT-4 的实现方式，NLRL 在标签驱动的 MDPs 上的初步实验证明了该框架的有效性、效率以及可解释性。

    Feb, 2024

  • 文本摘要的逆强化学习

    本研究使用反向强化学习的方法构建了一个文本摘要模型，通过同时评估摘要代理的奖励函数和优化，我们证明该模型在诸多评测标准中优于 MLE 和 RL 基线模型。

    Dec, 2022

  • 一项用于从非结构化数据中学习结构的个性化强化学习摘要服务

    该论文提出了一种基于个性化概念的分层式摘要方法 Summation，使用强化学习算法生成特定主题的未见文档的个性化摘要，以增强理解、有效导航和满足用户独特需求从大量文献中提取有意义的见解。

    Jul, 2023

  • ReGen：使用预训练语言模型的文本和知识库生成的强化学习

    本文介绍了一种使用双向文本和图形生成的深度强化学习方法，通过线性化图形，将图生成问题转化为序列到序列生成问题，我们通过一个广泛的实验，表明所提出的方法在 WebNLG+2020 和 TekGen 数据集上都表现优异，提高了 WebNLG+ 2020 的状态 - of-the-art 结果。

    Aug, 2021

  • 面向任务型对话系统的低资源自然语言生成元学习

    本文探讨了在低资源环境下生成新场景的句子，提出了基于元学习的通用优化方法（Meta-NLG）来解决这个问题，并在大型多域数据集上进行了实验，表明 Meta-NLG 在各种低资源配置中显著优于其他训练过程，适应低资源情况极快且良好。

    May, 2019

  • 基于强化学习的无监督句子自动摘要系统生成多种长度的摘要

    本篇论文提出了一种基于强化学习的抽象模型，用于无人工摘要的句子摘要，同时还开发了一种多摘要机制来提高摘要质量。实验结果表明，该模型明显优于抽象和提取式模型，经常生成未包含在原始文本中的新单词。

    Dec, 2022

  • 离线强化学习下的以人为中心的对话训练

    通过在线收集人类反馈数据，使用离线强化学习算法训练对话模型，识别并融合对话线索来产生更好的对话。

    Oct, 2020

  • 半离线强化学习用于优化文本生成

    该研究提出了一种半离线强化学习范式，可在保证探索能力的同时平衡训练成本，同时提供了比较不同强化学习设置的理论基础，并在优化成本、渐近误差和过度拟合误差边界方面提出了最优的强化学习设置。

    Jun, 2023

  • 使用文本蕴含反馈的强化学习实现事实一致性摘要

    本文介绍一个基于文本蕴涵模型和强化学习的方法，用于优化提取式摘要的准确性和一致性，并在自动度量和人类评估上显示出较好的性能。

    May, 2023