Mar, 2024

基于归纳推理的心理访谈中少样本对话策略学习

PDF
TL;DR构建对话系统（对激励用户采用积极生活方式改变的任务）需要一个能够有效地推断如何激励用户的系统。我们提出了 DIIT 框架，它能够从专家示范中学习和应用对话策略（自然语言归纳法则）。自然语言策略描述的自动化和人工评估表明，DIIR 发现的自然语言策略描述能够改善积极倾听技巧，减少主动给出建议，并促进更协作和不过于权威的回应，胜过各种示范利用方法。
dialogue systemmotivational interviewingdiitconversation strategiesnatural language inductive rules
发现论文，激发创造
  • 多轮指导对话的归纳 - 演绎策略重用

    利用复杂对话流程的明确建模，从各种真实对话中提取高级策略并将其应用于新的对话情境，以产生多样化、深入和富有洞见的指示，以提高大型语言模型与人类期望的一致性。

    Apr, 2024

  • 采用动机访谈策略提升心理困扰支持对话响应

    本研究利用在线支持论坛的对话数据，使用名为 MITI 的行为编码模式，尝试识别在在线心理疾患支持对话中存在的符合和不符合类型，并构建重述器使用数据增强和提示技术来提高 Chatbot 的 MI 一致性。经过自动和人工评估，本研究证明了该方法在数据量较少时也能产生反映预期风格且保留原始文本内容的好的重述结果。

    May, 2023

  • 针对任务导向对话系统的从头开始的增量学习

    提出了一种基于增量学习框架的任务导向对话系统（Incremental Dialogue System (IDS)），可以在不预定义用户需求的情况下进行设计，并引入不确定性估计模块和在线学习模块来评估和适应未被考虑的用户需求，最终可在未知环境下获得出色的性能。

    Jun, 2019

  • 对话式学习：以信息获取为强化目标的对话系统

    我们提出了一种新颖的基于 AI 的聊天机器人学习模式，用户通过与教师机器人的对话获取信息和知识。我们的系统使用了一种新型加强自我对话模式，在不同领域之间实现知识传递和关注用户的对话。我们在三个大型公共数据语料库上进行了广泛的主客观评估，证明了我们的系统在传递知识和关注用户方面的有效性，帮助用户在不阅读文章的情况下大大提高知识水平。

    May, 2022

  • 增强端到端多任务对话系统：内在动机强化学习算法的研究，以改善训练和适应性

    通过采用内在激励强化学习算法来测量状态访问的频率和鼓励探索，本研究旨在改善对话系统的政策，继而有效提高性能指标并拓展领域范围。

    Jan, 2024

  • 基于论证的对话系统信息搜索对话策略优化

    该研究使用马尔科夫决策过程和深度强化学习的方法来优化信息寻求对话系统中的对话策略，并在两个不同领域的论证对话数据集上进行了实验，结果表明该方法可以有效地优化对话策略。

    Nov, 2018

  • 通过对话互动提问学习

    利用机器人在电影领域的师生问答交互进行离线和在线强化学习，证明了学习者在提问时改进的效果，并验证了该方法。

    Dec, 2016

  • 面向任务的对话与上下文学习

    使用大型语言模型（LLMs）的上下文学习能力与业务逻辑的确定执行相结合，描述了一种构建面向任务的对话系统的系统。与主要用于行业的基于意图的 NLU 方法相比较，我们的实验表明，使用我们的系统开发聊天机器人所需的工作量明显较少，这些聊天机器人可以成功地进行复杂对话，并且我们的系统对于大规模任务导向的对话系统具有可扩展的有益特性。我们提供了我们的实现用于使用和进一步研究。

    Feb, 2024

  • 基于网络的端到端可训练任务导向式对话系统

    本文介绍一种基于神经网络的端到端可训练的目标导向对话系统，以及一种新的数据收集方法，该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统，帮助用户在餐厅搜索领域自然地交流并完成任务。

    Apr, 2016

  • 面向对话系统的大规模可解释知识图谱推理

    该研究提出了一种新的方法，将知识推理能力纳入对话系统的可扩展性和通用性中，以提高用户体验。该方法使得单一转换器模型能够直接在大规模知识图谱上进行推理，以生成响应，并通过任务导向和特定领域的对话交流进行了实证研究，证明了其有效性和高效性。

    Mar, 2022