Jul, 2023

应对会话式问答中的第三方修复

PDF
TL;DR处理不正常交流对于鲁棒和忠实的会话型人工智能至关重要。我们收集和公开发布了 Repair-QA，这是第一个大型的用于会话型问答设置中的第三位置修复的数据集。通过训练和评估强大的基准模型来展示数据的有效性，并且结果表明，GPT-3 模型在修复方面的性能从开箱即用时较差，但在接触到 Repair-QA 后显著改善。
miscommunicationrepairthird position repairconversational question answeringbaseline models
发现论文，激发创造
  • 实时学习生成并修复语言

    在这篇论文中，我们使用先前学习的动态句法语法和 CHILDES 语料库开发、训练和评估了一个概率模型，该模型用于增量生成，其中模型的输入是纯语义生成目标概念（TTR）。我们证明了该模型的输出与黄金候选项的准确匹配率为 78％，ROUGE-l 评分为 0.86。我们进一步对同一模型在生成目标在发话过程中发生变化时产生自我修复的能力进行了零次评估。自动评估显示模型能够在 85％的情况下正确生成自我修复。小规模的人工评估确认了生成的自我修复的自然性和语法性。总体而言，这些结果进一步突显了基于语法的模型的泛化能力，并为更可控和自然交互的对话型人工智能系统奠定了基础。

    Aug, 2023

  • 对话助手中对话修复的分析

    通过分析与 Google 助手和 Siri 的互动，本研究探讨了对话修复中互动语言在虚拟助手和用户之间的重要性，并发现虚拟助手在生成策略方面存在差异，但不能复制人类的修复策略。用户接受度调查显示英语和西班牙语用户在修复策略偏好和虚拟助手使用上存在不同。这些结果揭示了人类间互动语言与人机交互之间的不平等问题，强调了需要进一步研究交互语言在英语和其他语言中对人机交互的影响。

    Nov, 2023

  • 面向会话问答的问题重写

    本论文介绍了一种分解对话问答任务的方法，包括问题重写和问题回答。通过引入一种新的对话 QA 架构和一个问题重写模型，证明了这种方法在 TREC CAsT 2019 建议检索数据集上已经达到了最新的技术水平，并在 QuAC 数据集中优于我们的基准模型。这个问题重写模型在两个数据集上的性能接近于人类的表现，而对话 QA 任务的终端性能差距主要是由于回答中的错误导致的。

    Apr, 2020

  • 虚拟语音助手中对话修复的分析

    探讨人机对话维修中使用的修复启动器，并比较英文和西班牙文语言助手 Google Assistant 和 Apple Siri 与人对话修复的不同。

    Jul, 2023

  • 使用大型语言模型进行往返翻译的自动程序修复新方法

    通过大型语言模型实现的往返翻译可用于自动程序修复，修正语法错误并还原代码中的常见模式，具有在软件工程研究中的潜力。

    Jan, 2024

  • 多轮对话理解的进展：一项综述

    本文从对话建模技术的技术角度回顾了以往的方法，总结了对话理解的特点和挑战，并讨论了三种典型的对话建模模式，还对于提升 PrLM 在对话场景下的表现的对话相关预训练技术进行了分类。此外，本文突出了近年来的技术进步，并指出实证分析的教训和未来研究的前景。

    Oct, 2021

  • 基于序列到序列结构和预训练语言模型的会话问句改写

    本文研究了对话问句改写技术，使用了序列到序列模型和预训练语言模型来提高模型的表现，通过在 CANARD 数据集 (内领域) 和 TREC 2019 CAsT 数据集 (外领域) 进行的实验，结果表明 T5 模型在参数更少的情况下表现最好。

    Apr, 2020

  • 问句改写对话式问答有帮助吗？

    本文探讨了问题改写在对话问答中的有效性，通过使用强化学习方法来集成 QR 和 CQA 任务，但是发现该方法与端到端基线效果相当，并分析了失败的原因并描述了在 CQA 中利用 QR 的难度。

    Apr, 2022

  • 通过问答改进和提高对话槽位标注的效率

    本论文研究了将对话任务转换成问答任务，以便利用现有的基于转换器的预训练语言模型解决一些自然语言理解任务中的挑战，特别是对话区域中的槽标记。研究结果表明，QA 调整的预训练语言模型可应用于 SL 任务，并达到了新的性能表现，从而提高了其性能和效率。

    Apr, 2022

  • 响应条件的交替预测

    本文提出一种模型，该模型将对话历史和下一个讲话者想要说的内容作为条件来预测对话的结束，比基线模型在各种指标上的表现更好。该模型可作为一个增量响应排名器，在各种场景中得到应用。

    May, 2023