Dec, 2023

TESS: 分布式自然语言理解模型的交互式多智能体系统的多目标解析器

PDF
TL;DR该研究提出了一种有效的解析和编排流水线算法，以满足多意图用户的需求，同时提供与竞争性深度学习模型相当的性能，并且速度可达到快速的 48 倍。
chatbotsmulti-agent systemsnatural language understandingdecentralized nlu modelsparsing and orchestration pipeline algorithm
发现论文，激发创造
  • 从过去的对话中挖掘意图信息以供会话代理使用

    本文提出了意图发现框架，通过自动聚类类似用户话语并手动注释，再通过对未被聚类映射的话语标记意图标签和标记传播，从原始对话中生成意图训练数据，以有效地解决在聊天机器人开发过程中遇到的用户话语分类问题，并验证了该框架的有效性。

    May, 2020

  • 处理聊天机器人中的闲聊的可信、负责和可解释系统

    本文介绍面向聊天机器人的查询理解决方案，包括基于层次化意图的请求分类和使用序列生成模型，以及综合性组件的集成，如成人 / 攻击性分类、语法 / 正则表达式、引导性反应和响应生成模型，以解决这一难题。

    Nov, 2018

  • 实境游戏学习的自然语言理解：初步评估

    研究了一个新的多任务 NLU 结构在小型领域游戏数据集上进行意图识别的表现，发现相比基线方法，Dual Intent and Entity Transformer (DIET) 架构在野外数据上具有较强的鲁棒性。

    May, 2022

  • MULTI3NLU++: 一个面向任务型对话的多语言、多意图、多领域自然语言理解数据集

    本文介绍了 MULTI3NLU++ 数据集的构建，其扩展了 NLU++ 数据集，支持跨多种语言和领域任务导向对话系统中的自然语言理解。数据集被用于对多语言语言模型、机器翻译和问题回答系统进行性能评估，表明数据集的挑战性尤其体现在低资源语言环境下。

    Dec, 2022

  • 面向目标导向对话系统的自动意图提取和话语分类算法

    自然语言处理领域的现代机器学习技术可用于自动生成目标导向对话系统的脚本。本文提出了一个研究自动生成目标导向对话系统脚本的通用框架，并描述了一种用于预处理 JSON 格式对话数据集的方法。比较了基于 BERTopic 和潜在狄利克雷分配的两种提取用户意图的方法，并比较了基于逻辑回归和 BERT transformer 模型的两种分类用户语句的算法实现。与其他方法相比，使用 bert-base-uncased 模型的 BERT transformer 方法在精确度（0.80），F1 分数（0.78）和马修斯相关系数（0.74）等三个指标上表现更好。

    Dec, 2023

  • 通过分解学习自适应语言界面

    该研究旨在创建一个交互式、自然语言接口，通过学习用户在模拟机器人环境中完成任务。该接口引入了一种神经语义解析系统，通过分解学习新的高层抽象：用户通过将描述新行为的高层话语分解为它可以理解的低级步骤来与系统互动。作者的方法弥合了现有方法之间的差距，并证明了现代神经系统的灵活性以及基于语法的方法具有的一次可靠泛化能力。研究还讨论了实现交互式范式的潜力的障碍。

    Oct, 2020

  • 面向多意图检测的复杂对话话语分割和重构

    通过对话码头进行任务分割和重组，提出了 DialogUSR 作为插件和领域不可知模块，用于部署聊天机器人的多意图检测，同时还提出了基于多种 Action 的生成模型并对其进行了深入分析。

    Oct, 2022

  • 任务导向对话系统中未被识别的用户话语的洞察

    本研究提出了一种用于处理商业任务导向型对话系统中未识别用户语句的端到端管道，包括特定定制聚类算法、新颖的聚类代表提取方法和聚类命名。通过评估这些组件，证明了它们在分析未识别用户请求方面的益处。

    Apr, 2022

  • DialogVCS：对话系统中鲁棒的自然语言理解升级

    通过 DialogVCS 建立了一种新的基准测试方法，将包含语义交织的意图识别问题建模为带有正标签但是未标注意图的多标签分类任务，并提出了综合的基线模型以有效地识别具有语义交错的意图。

    May, 2023

  • 利用可提取问答变换器构建实际谈话语料库的意图模式

    本研究提出了一种无监督的自动化 pipeline，基于问答模型和聚类方法，能够从真实的对话数据中抽取意图并建立意图分组分类体系，验证结果表明该方法能够解决自然语言理解中的意图识别问题，实现了超过 85% 的区分准确度。

    Aug, 2022