ACLAug, 2023

新闻对话：走向积极主动的以新闻为基础的对话

PDF
TL;DR在本文中，我们提出了一种新的任务，即主动引导的新闻对话，其中对话系统可以根据新闻的关键主题主动引导对话。为了进一步开发这一新任务，我们收集了一个人对人的中文对话数据集 NewsDialogues，其中包括 1000 个对话，总共 14600 个话语，并对目标主题和知识范围进行了详细注释。此外，我们提出了一个名为 Predict-Generate-Rank 的方法，包括一个用于基于知识的预测和回复生成的生成器，以及一个用于多个回复排名以减轻曝光偏差的排序器。我们进行了全面的实验证明了所提方法的有效性，并提出了几个关键发现和挑战以促进未来的研究。
发现论文，激发创造
  • 基于相关知识和目标的预测性检索聊天机器人

    本文提出了一种新的多任务学习框架，以预测相关知识并通过显式信号来监督其学习，实现知识驱动的主动式对话，从而提高最终响应选择的准确性。

    Jul, 2021

  • 社交媒体语境下的对话模型建立方法

    本文介绍了一种通过模仿社交媒体上的非正式互动改善系统的原始会话能力的方法，并利用 Reddit 上的过滤评论数据作为 seq2seq 生成器的额外上下文，以提高开放域对话系统的能力。

    Jun, 2022

  • 面向文档相关对话的数据集

    本研究介绍了一个文档驱动的文本对话数据集，包含关于热门电影的维基百科文章，利用两种神经网络模型对话，结果表明这种方法引入了更多信息，提高了生成回答的流畅度和吸引力。

    Sep, 2018

  • 基于语境的对话生成

    本研究探讨了如何利用预训练语言模型生成会话摘要，并通过将生成的会话与真实数据集相结合来提高自动生成的会话总结的准确性。

    Jun, 2021

  • 面向任务导向对话系统的半监督知识驱动预训练

    本文介绍了我们的 Track 2 模型，利用大规模真实世界的 MobileCS 中国 TOD 数据集，使用半监督学习和强化学习构建知识引导的对话模型，实现了任务导向对话系统的高效预测和人机交互。我们的系统在自动评估和人工交互中表现都极佳，尤其是 BLEU (+7.64) 和 Success (+13.6%) 方面比第二名更优秀。

    Oct, 2022

  • 基于知识的神经对话模型

    本文针对神经网络模型生成内容不足的对话应用展开了研究，提出了一种全新的、基于数据和知识驱动的神经对话模型，该模型通过同时考虑历史对话和外部 “事实” 来生成更有用的回应，实验证明该方法在开放领域中具有广泛应用前景，相较于基线模型的 Seq2Seq 方法，能够显著提高输出的信息量。

    Feb, 2017

  • DyKgChat: 基于动态知识图谱的对话生成基准测试

    本文提出了一个新的任务，旨在研究如何在神经会话模型中应用动态知识图谱，并提供了 DyKgChat 话语语料库来帮助评估动态知识图谱对响应生成的影响。为了支持动态知识图谱，我们提出了一个选取两个网络的初步模型：序列到序列模型 (Seq2Seq) 和多跳推理模型。我们引入了几种评估指标进行评测，并实验证明我们的方法优于以往的知识驱动对话模型。该文所提出的语料库和模型可激发未来的研究方向。

    Oct, 2019

  • UniGDD: 一个面向目标的文档驱动对话的统一生成框架

    本文提出了一种基于文档的对话方法，通过生成理解文本的知识与回答用户提问，逐步消除错误传播问题，并采用温度调度方法减少文档信息的负面影响，实验结果证明了多任务学习策略的有效性。

    Apr, 2022

  • 面向话题引导对话的个性化话题选择模型

    提出了一种个性化话题选择模型 PETD，通过考虑边缘信息的相互作用，选择性地聚合这些信息以更准确地预测后续的话题，从而构建了一个富有吸引力和连贯性的对话系统。实验证明了该方法在各种评价指标上优于现有基线模型。

    Jun, 2024

  • 最新新闻疑问驱动聊天机器人

    本论文介绍了一个从多样化的新闻文章中提取主题并自动生成对话的聊天机器人，其关键组成部分包括新闻文章的主题分组、自动生成的问题集成到对话中以及通过一种新颖的方法选择问题，以避免重复性建议。我们描述了算法框架，并呈现了一项可用性研究的结果，表明使用该系统的新闻读者成功地参与了关于特定新闻故事的多轮对话。

    May, 2021