Feb, 2024

TOAD: 任务导向的自动对话系统具有多样化的回应风格

PDF
TL;DR鉴于大型语言模型的最新进展，下一代虚拟助手的期望包括在各种使用场景中增强自然性和适应性。为了解决为面向任务的对话（TOD）创建高质量的注释数据的缓慢和昂贵问题，我们介绍了面向任务的自动对话（TOAD），以及其自动生成流程。TOAD 数据集模拟了真实的应用程序上下文交互，并提供了多种系统响应样式选项。我们在两个响应生成任务上对 TOAD 进行了基准测试，结果表明，对建模更冗长或没有用户表情的响应更具挑战性。
large language modelsvirtual assistantstask-oriented dialogtoad datasetresponse generation
发现论文，激发创造
  • TOD-DA: 从口语会话中提高任务导向对话建模的鲁棒性

    本文提出了一种新的任务定向对话数据增强方法 TOD-DA，它包括对话丰富和口语会话模拟器，可以增加大规模高质量带注释口语会话，以提高口语任务定向对话建模的鲁棒性。在 DSTC10 Track2 的两项任务中，我们的方法均排名第一，证明了 TOD-DA 的优越性和有效性。

    Dec, 2021

  • 利用合成的开放领域对话提高任务机器人的参与度

    提出了一种自动生成结合任务导向对话和开放领域对话的框架，同时介绍了一种适用于这一任务的统一模型 PivotBot，并通过评估结果证明，该模型能够在任务导向对话和开放领域对话之间无缝切换。

    Dec, 2022

  • Q-TOD: 基于查询的任务导向对话系统

    本文介绍了一种新的基于查询驱动的任务对话系统，即 Q-TOD，该系统可将对话上下文的关键信息提取为查询，进而用于检索相关的知识记录以形成响应生成，它能够显著缓解领域适应性和知识库可扩展性的问题，实验结果表明，Q-TOD 优于现有系统并在公开数据集上取得了最新的最佳表现。

    Oct, 2022

  • AnyTOD: 一款可编程的任务导向对话系统

    我们提出了 AnyTOD，这是一种端到端的，零 - shot 的任务导向对话系统，能够处理未见过的任务，而不需要特定的培训。我们采用了一种神经符号方法，其中神经语言模型跟踪对话中发生的事件，并执行符号程序以推荐应该采取的下一个操作，从而显著降低了数据注释和模型训练的要求，并展示了在任务和领域上的强大的零 - shot 迁移能力。

    Dec, 2022

  • 面向任务的端到端对话系统的任务优化适配器

    该研究提出了一种基于 Task-Optimized Adapters 和强化学习的 End-to-end TOD 系统，能够独立学习每个任务，并在 MultiWOZ 基准测试上表现出优越的性能，特别是在 2.2 数据集上的 DST 任务达到了最先进的水平。

    May, 2023

  • 使用大型语言模型进行任务导向对话评估的用户模拟

    为了推动自动化任务导向对话系统的评估，本研究提出了一种基于预训练语言模型的新型用户模拟器，并通过上下文学习来生成具有鲁棒性和语言多样性的输出，以模拟人类对话行为。通过与现有对话系统交互，并收集人机交互数据集，验证了该用户模拟器在单一意图对话目标方面的表现与人类相似。

    Sep, 2023

  • 通过前瞻目标增强大型语言模型引发的面向任务的对话系统

    ProToD 是一种预测未来对话动作并结合目标导向奖励信号来增强对话系统的方法，通过基于目标导向的对话模拟评估方法，可以在仅使用 10% 的数据的情况下实现比以前的全监督模型更好的性能，同时提高用户满意度和效率。

    Sep, 2023

  • 具有主观知识的面向任务对话建模：他人是如何想的？

    本篇论文提出了主观知识为基础的任务导向对话系统（SK-TOD）的新任务，以及配套的数据集，该数据集包含了主观知识寻求对话上下文和手动注释的响应，并探究了多个知识片段的不同观点如何汇聚的问题，以期促进 TOD 和主观内容理解的进一步研究。

    May, 2023

  • 插拔式任务导向对话系统的多任务预训练

    该研究提出了通过 PPTOD 模型和新的对话多任务预训练策略来解决任务导向对话系统中存在的级联生成问题，取得了针对几个基准 TOD 任务的最新成果。

    Sep, 2021

  • 使用状态转换图和大型语言模型模拟任务导向型对话

    该研究探讨了 SynTOD，一种用于开发端到端任务导向对话系统的新型合成数据生成方法，该方法能够处理意图分类、槽填充、对话问答和检索增益响应生成等复杂任务，而无需依赖众包或现实世界的数据。实验结果显示，使用受图引导的响应模拟能够显著提高意图分类、槽填充和响应相关性，相较于单一提示的模拟对话。该研究还调查了不同基础和指导调整的大型语言模型在端到端任务导向对话系统上的有效性，并探索了它们在评估回应和与人类判断之间的相关性。这些发现为领域特定的任务导向对话系统的快速开发和评估铺平了道路。研究团队还发布了用于研究目的的数据集、模型和代码。

    Apr, 2024