Mar, 2024

CET2: 模拟主题转换以实现连贯和引人入胜的基于知识的对话

PDF
TL;DR基于对话上下文和选定的外部知识生成一致且吸引人的响应的知识驱动对话系统，引入了一种具有连贯性和吸引力的主题转换（CET2）框架，以模拟选择与对话上下文一致且提供充足的主题发展知识的主题转换。CET2 框架考虑了多个因素，包括从对话上下文到下一个主题的有效转换逻辑和可用知识候选项之间的系统比较。在两个公共基准测试上的广泛实验表明，CET2 在知识选择方面具有更好的优势和更好的泛化能力。精细粒度知识选择准确性的分析还表明，CET2 可以在对话中更好地平衡主题蕴含（上下文连贯性）和发展（知识多样性），优于现有方法。
发现论文，激发创造
  • RT-KGD: 关系转换感知的知识驱动对话生成

    本文提出了一种关系转移感知的知识引导对话生成模型（RT-KGD），该模型将对话级关系转移规律与轮级实体语义信息相结合，考虑了多轮上下文中的知识关系及 KG 中的关系转移规律。实验表明，该模型在自动和手动评估上均优于现有的基线模型。

    Jul, 2022

  • 面向话题引导对话的个性化话题选择模型

    提出了一种个性化话题选择模型 PETD，通过考虑边缘信息的相互作用，选择性地聚合这些信息以更准确地预测后续的话题，从而构建了一个富有吸引力和连贯性的对话系统。实验证明了该方法在各种评价指标上优于现有基线模型。

    Jun, 2024

  • 面向知识驱动对话的顺序潜知识选择

    论文提出了一种名为 `SKT` 的序列潜变量模型，该模型可提高多轮对话的知识选择准确性，并相应地改进了话语生成的绩效；实验结果表明，该模型在大规模对话评估中取得了最先进的表现。

    Feb, 2020

  • MP2D: 自动话题转移对话生成框架利用知识图谱

    虽然在话题对话系统方面取得了很大进展，但如何有效地在对话中处理话题转换仍然是一个持久的挑战。本研究提出了 Multi-Passage to Dialogue (MP2D) 框架，该框架通过自动生成自然话题转换的对话问答数据集来解决这个问题。通过利用知识图谱中实体之间的关系，MP2D 能够映射对话中的话题流程，有效地模拟人类对话的动态过程。它通过将与话题相关的段落转换为对话形式，将其转化为对话。通过定量和定性实验证明了 MP2D 在生成具有自然话题转换的对话方面的有效性。此外，本研究还引入了一个新的话题转换对话基准，TS-WikiDialog。通过利用该数据集，我们展示了即使是大型语言模型（LLMs）也难以有效处理对话中的话题转换，并展示了使用 MP2D 生成的数据集训练模型在不同话题转换对话任务中的性能提升。

    Mar, 2024

  • 常识和命名实体感知的知识驱动对话生成

    本文提出了一种通过利用大规模常识和基于命名实体的知识实现的新型开放域对话生成模型，该模型还利用了与每个话语相关的非结构化主题特定知识，并通过使用共指提高了常识知识。提出的模型利用多跳注意力层保留对话历史和相关知识的最准确和最关键的组成部分，还用到 Commonsense and Named Entity Enhanced Attention Module。实验结果表明我们的模型在两个基准数据集上均显著优于最先进的方法。

    May, 2022

  • 面向话题和知识的对话情感检测 Transformer

    本文提出了一种名为 Topic-Driven Knowledge-Aware Transformer 的模型，包含一种话题增强语言模型、基于对话情境信息的常识语句和一种转换器，用于识别情感标签序列中的话题和情感状态。实验结果表明，该模型在对话情感检测方面表现优于现有的最先进方法。

    Jun, 2021

  • 基于知识的连贯增强文本规划的评论生成

    本文提出了一种基于知识图谱（KG）的一体化增强文本规划方法（CETP），利用 KG 的语义结构来提高生成评论的全局和局部连贯性。通过学习文档的两级文本计划，即将文档计划建模为按顺序排列的句子计划的序列以及将句子计划建模为 KG 中的基于实体的子图，进而自然地强化段落内部的实体之间的相关性和段落之间的相关性。通过在三个数据集上的广泛实验证明了我们的模型在提高生成文本内容连贯性方面的有效性。

    May, 2021

  • 主题感知多轮对话建模

    本文提出了一种新颖的基于主题感知的无监督多轮对话建模方案，该方案通过无监督的主题感知分割算法和主题感知双交互匹配网络实现，在多个公共数据集上的实验结果表明 TADAM 可以胜过现有的最新方法，尤其是在出现明显主题转移的电子商务数据集上提高了 3.3％。

    Sep, 2020

  • 系统主动发起从闲聊向任务导向型对话的转换：基于过渡信息提取器和过渡句生成器

    我们研究了从闲聊到任务相关服务的对话场景，并探讨了一个统一的对话模型如何在对话模式从闲聊切换到任务导向时以一种连贯和合作的方式主动参与。我们首先构建了一个过渡信息提取器（TIE），用于跟踪先前的闲聊互动并检测用户转向任务导向服务的潜在意图。同时，在统一模型中，通过高效的适配器调优和过渡提示学习，扩展了一个过渡句子生成器（TSG）。当 TIE 成功从先前的闲聊中找到与任务相关的信息，例如过渡领域时，TSG 会在统一模型中自动被激活，通过根据 TIE 提取的过渡信息生成一个过渡句子来启动这个转换。实验结果显示出有关主动转换的良好性能。我们通过使用条件随机场（CRF）在 TIE 模型上实现了额外的大幅改进。TSG 能够灵活地生成过渡句子，同时保持常规闲聊和任务导向响应生成的统一能力。

    Aug, 2023

  • 使用动态主题跟踪的多方对话响应选择

    这项研究通过动态主题跟踪任务将回复选择作为一种新的表述方法，并提出了一种支持高效编码的新型多任务学习框架，并且通过预训练模型，仅使用两次讲话来进行动态主题分离和回复选择。同时，还提出了 Topic-BERT 的关键预训练步骤来嵌入主题信息，并在 DSTC-8 Ubuntu IRC 数据集上获得了表现出色的结果。

    Oct, 2020