Sep, 2023

人物编码多流对话句子打分：以人物为导向

PDF
TL;DR最近机器学习和深度学习的进展已经导致在许多实际应用中广泛使用对话式人工智能。然而，利用能够提供对话背景或个性化调整的辅助信息以改善对话质量仍然非常具有挑战性。本文提出了一种新颖的 Persona-Coded Poly-Encoder 方法，它利用多流编码方案中的个人信息来改善对话回复生成的质量。通过在两个不同的基于个人的对话数据集上评估，并与两种最先进的方法进行对比，我们验证了所提出方法的有效性。我们的实验结果和分析表明，我们的方法在 BLEU 得分和 HR@1 方面相对于基准方法 Poly-Encoder 分别提高了 3.32％和 2.94％。更重要的是，我们的方法为对话任务中多模态数据的更好利用提供了一条途径。最后，我们的研究概述了推进个性化对话式人工智能技术的几个挑战和未来研究方向。
machine learningdeep learningconversational aipersonaresponse generation
发现论文，激发创造
  • 基于人设的对话型人工智能：现状与挑战

    研究旨在探索如何在会话系统中加入角色信息以提高响应生成的质量，并发现当前存在不足和挑战和未来的研究方向。

    Dec, 2022

  • Persona-Knowledge 对话多上下文检索和增强解码方法

    本文通过设计一种数据增强策略，运用神经问答检索模型，探讨了 Persona-Knowledge 的识别和响应生成任务，采用不同的解码技术进行对话生成，最终取得了 93.99% 的平均重合度和 23.62 分的 SacreBLEU 分数，成为当前 SOTA 的最佳实践。

    Jul, 2022

  • 使用多编码器融合策略来改善个性化回复选择

    本文介绍一种基于 BERT 的个性化响应选择模型，融合对话者个性、情感和蕴含信息的交互关系，并在 Persona-Chat 数据集上进行表现测试，在 Top-1 准确率上跑出了 2.3% 以上的性能提升，取得了最新的最先进的性能。

    Aug, 2022

  • 基于角色的神经对话模型

    本文介绍了基于人物角色的模型来处理神经响应生成中的发言人的一致性问题。这些模型在分布式嵌入中编码人物角色，以捕捉个体特征，如背景信息和口语风格。在两个交流者之间捕捉交互属性的暂态发言人 - 被称呼者模型。我们的模型提高了感性和 BLEU 得分，在发言人的一致性上也有类似的提高。

    Mar, 2016

  • 利用角色信息进行对话响应的多样化生成

    本文提出了一种利用人格信息的记忆增强体系结构，将条件变分自动编码器模型与之结合，以生成多样化和可持续的聊天对话，并在基准 persona-chat 数据集上评估，结果表明，该模型可以提供比基线方法更多样化和更吸引人的基于人格的响应。

    May, 2019

  • 个性化对话响应生成中的检索增强上下文感知前缀编码器

    本研究提出了一种基于检索增强的个性化响应生成方法，通过在对话领域数据上设计分层的 Transformer 检索器和上下文感知前缀编码器，将检索到的信息更有效地融合到解码器中，从而在英语 Reddit 对话中生成更流畅和个性化的响应，与现有技术相比性能更优。

    Jun, 2023

  • 基于预训练的个性化对话生成模型及面向稀疏信息处理

    本文提出了一种基于预训练的个性化对话模型，利用个人属性嵌入来丰富对话语境，结合注意力路由结构进行解码，从而生成更为连贯且人物一致的回答。

    Nov, 2019

  • MPCHAT: 面向多模态角色驱动的对话

    本研究旨在通过引入图像模态转化多维人物角色的性格特点和经验，探究多模态人物角色在对话中的应用和作用，并通过多个任务的实验证明，多模态人物角色的引入可以显著提升多模态对话的性能表现。

    May, 2023

  • XPersona: 评估多语言个性化聊天机器人

    本研究提出了一个名为 XPersona 的个性化对话数据集，并通过多语言训练的基线模型和跨语言训练的基线模型进行了实验证明。结果表明，多语言训练的模型优于翻译管道模型，并且其性能与单语言训练的模型相当，而跨语言训练的模型则表现出劣于其他模型的性能。该数据集和基线模型有望加速多语言对话系统的研究。

    Mar, 2020

  • 面向个人的混合语言生成模型

    通过发展一种基于个人意识的生成模型，该研究试图生成类似于现实生活中个体的混合语言文本，并且提出了一个重新校准生成的序列以模拟真实混合语言文本的对齐模块，以实现生成的混合语言文本在语义上更有意义和在语言上更有效。

    Sep, 2023