Sep, 2023

好奇心的魔法师：丰富对话与有趣事实

PDF
TL;DR通过加入趣味性的对话，丰富上下文的好奇心可以提升用户对于对话系统的感知和整体使用体验。本文介绍了一系列针对烹饪和 DIY 领域对话的精心挑选的趣味点，通过亚马逊 Alexa TaskBot 挑战中收集的真人与 Agent 之间的对话进行了多模式和多轮对话。根据 1000 多个对话的 A/B 测试结果，好奇点不仅增加用户参与度，而且平均提高了 9.7% 的相对评分。
发现论文，激发创造
  • 基于学习精神的信息寻求：一份面向谈话好奇心的数据集

    通过 Wizard-of-Oz 对话任务，探索了用户对已知事实的回应与对话参与度之间的相关性，进而提出一种结合用户先前知识的多任务模型，使得数字助手能够更好地理解用户需求并提高用户参与度。

    May, 2020

  • 利用有趣的事实提升与对话界面的用户参与度

    通过在与多模态的 CTA（Conversational Task Assistants）互动中加入相关且有趣的陈述或事实，根据心理学的人类兴趣理论，以增加用户参与度和任务完成率。

    Apr, 2024

  • 维基百科巫师：知识驱动的对话代理

    通过从 Wikipedia 中检索知识来生成自然回复，我们的最佳对话模型在 Open-Domain 话题上进行了知识交流，同时我们的新基准允许在这一重要研究方向上进行进一步的改进。

    Nov, 2018

  • 小组学习好奇心动态研究的新型多模态方法

    本研究提出一项理论架构，阐述了个体和社交因素对好奇心的影响，发现社交因素对好奇心的影响更为显著，并介绍了一组策略和技术，可以在学习过程中识别、引发和支撑好奇心。

    Apr, 2022

  • 从心理好奇到人工好奇：人工智能任务中基于好奇心的学习

    本文综述了心理好奇心对于人类智能的重要作用，阐述了人工好奇心与人类认知发展的联系及其应用场景，并对强化学习、推荐系统和分类方法等领域中已有的好奇心驱动学习方法进行综述，提出了深入研究的方向和未来的改进工作。

    Jan, 2022

  • 问与探索：基于探求驱动的实地问答

    本文提出基于有足实体依据的问答的好奇心算法，通过对自然语言问题的回答获得对环境物理属性和空间关系的了解，为异馆收益任务提供了宝贵的好奇心奖励，从而解决了现有好奇心算法的局限性。

    Apr, 2021

  • 更了解你或许使我成为更好的对话伙伴

    探索一种新的方向，即代理人专门集中于发现与其对话者有关的信息，定义了一个定量度量标准，提出了一个代理算法来最大化它，并用人工评估验证了这个想法，在这个过程中我们的系统优于各种基线，并且证明了它的指标确实与人类活跃度的评价相关。

    Aug, 2018

  • 利用常识知识增强端到端对话系统

    本文研究了将常识知识有效地集成到对话模型中的影响，并在基于检索的情境下提出了 Tri-LSTM 模型，将消息和常识联合起来选择适当的响应，实验证明知识增强模型比无知识模型在自动评估中表现更好。

    Sep, 2017

  • 如何为点贴式检测器建模好奇心

    本研究旨在通过使用人文和社会科学中的各种理论以及无监督和监督机器学习算法，以及人类好奇心作为二元分类器的基础，试图量化人类在数字世界中的好奇心，并通过人工注释的新闻标题（clickbaits）来解释如何测量刺激产生读者好奇心的强度，以推动数字媒体中好奇心和愤怒的情感定量研究。

    Jun, 2018

  • TWIZ：多模态对话刺激的巫师

    任务向导团队在 Alexa Prize TaskBot 挑战赛 2022 中，以 TWIZ bot 为目标助手，通过提供多模态的刺激以及与用户进行人性化对话来解决复杂手动任务的研究问题，从用户的评级和反馈来看，TWIZ bot 是一种有效且稳健的系统。

    Oct, 2023