Jan, 2024

基于情绪、人口信息和隐式用户反馈的面向任务的文档驱动对话学习

PDF
TL;DR近期人机交互领域的研究表明，考虑到人口统计信息、用户情感以及从话语中的隐含反馈中学习是任务导向和以文档为基础的对话系统获得用户接受和喜欢的关键。然而，这些发现尚未在自然语言处理领域得到应用，缺乏相应的数据集。为了填补这一空白，我们引入了 FEDI，这是第一个包含任务导向的以文档为基础的对话的英语数据集，其中注释了人口统计信息、用户情感和隐含反馈。我们使用 FLAN-T5、GPT-2 和 LLaMA-2 进行实验，结果表明这些数据有潜力改善任务完成情况、生成回答的事实一致性以及用户接受程度。
发现论文，激发创造
  • 情感检测与任务导向对话建模的统一方法

    我们的研究表明，融合用户情感检测和面向任务对话模型能够相互受益，并且是一种值得考虑的替代方法。我们的方法通过扩展用户情感检测到 SimpleToD，一个端到端的面向任务对话系统，来实现无缝融合，并基于单一的语言模型来做到此事。通过在 EmoWOZ 基准上使用 GPT-2 和 Llama-2 评估我们的方法，结果显示用户情感检测和任务结果的整体性能有所提高。我们的研究还表明，用户情感可以为系统响应提供有用的上下文条件，可以通过利用这些情感进一步提高响应的共情性。

    Jan, 2024

  • 情感自适应端到端对话系统

    本研究提出，在末端到末端的对话系统学习框架中包含通过多模式信息获取的用户情感信息，以使系统更具用户适应性和效果。结果，这项工作是在自适应末端到末端对话系统训练框架中首次尝试将多模式用户信息纳入其中并达到最先进的表现。

    Apr, 2018

  • 对话中利用部署数据的隐式反馈

    通过学习用户与已部署模型之间的自然对话，我们研究了提高社交对话代理的方法，无需额外的注释。利用用户响应长度、情感以及未来人类发言中的反应等信号来隐式衡量机器生成发言的质量。我们的实验使用了 BlenderBot（Xu 等，2023 年）的公开发布的部署数据。人工评估表明，我们的新模型在基线回复上有所改进；然而，我们发现一些代理信号也可能导致具有不良特性的生成。例如，优化对话长度可能导致比基线更具争议性或不友好的生成，而优化积极情感或反应则可能减少这些行为。

    Jul, 2023

  • 对话系统中受人格影响的情感生成

    使用人格特征为对话系统生成情感，通过模拟情绪转变过程来改善情感生成性能。

    Apr, 2024

  • DialoGPT 对话交互的无监督评估

    本文介绍了 FED 度量（对话的细粒度评估），该度量使用 DialoGPT，不需要微调或监督，以及 FED 数据集，称为人机和人人对话的十八个细粒度对话质量的注释构成。FED 度量不依赖于真实回答，不需要训练数据，并且在回合和整个对话水平上测量细粒度对话质量。FED 在两个级别上与人类判断具有中度到强度的相关性。

    Jun, 2020

  • 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

  • 从自由文本人类反馈中学习 -- 收集新数据集还是扩展现有数据集？

    通过人类的自由文本反馈进行学习对于对话系统至关重要，本文通过研究多个常用的对话数据集，包括 MultiWoZ，SGD，BABI，PersonaChat，Wizards-of-Wikipedia 和 Self-Feeding Chatbot 的人机分离数据集，发现了数据集的组成情况，误差类型，用户响应类型以及它们之间的关系，并研究了将这些数据包含在语言生成模型 (response generation) 中的影响。

    Oct, 2023

  • 面向共情的开放领域对话模型：新基准和数据集

    本文提出了一个新的共情对话生成指标和一个基于具有情感情境的 25k 个会话的新数据集 EmpatheticDialogues，实验表明使用我们的数据集的对话模型被人类评估员认为比仅在大规模互联网对话数据上训练的模型更具有移情能力，同时还通过实验比较了对情感回应进行的对话模型调整，利用现有模型或数据集而无需重新训练完整模型

    Nov, 2018

  • 情感识别和生成对话的统一框架

    本文提出了一种多任务框架，该框架联合识别对话的情感并根据所识别的情感生成响应，我们利用基于 BERT 的网络来创建一种共情系统，并使用混合目标函数来训练端到端网络，包括分类和生成损失函数，实验结果表明，我们的多任务框架优于现有的最先进模型。

    May, 2022

  • 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