Apr, 2024

利用有趣的事实提升与对话界面的用户参与度

PDF
TL;DR通过在与多模态的 CTA（Conversational Task Assistants）互动中加入相关且有趣的陈述或事实，根据心理学的人类兴趣理论，以增加用户参与度和任务完成率。
conversational task assistantsengaging interactionsinteresting factsmulti-modal ctauser engagement
发现论文，激发创造
  • 好奇心的魔法师：丰富对话与有趣事实

    通过加入趣味性的对话，丰富上下文的好奇心可以提升用户对于对话系统的感知和整体使用体验。本文介绍了一系列针对烹饪和 DIY 领域对话的精心挑选的趣味点，通过亚马逊 Alexa TaskBot 挑战中收集的真人与 Agent 之间的对话进行了多模式和多轮对话。根据 1000 多个对话的 A/B 测试结果，好奇点不仅增加用户参与度，而且平均提高了 9.7% 的相对评分。

    Sep, 2023

  • 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

  • 对话树搜索：一种新型的混合对话任务

    该论文介绍了一种称为对话树搜索（CTS）的任务，它桥接了 FAQ 样式信息检索和面向任务的对话之间的差距，允许领域专家定义对话树，然后将其转换为高效的对话策略，从而实现目标完成率更高且能够跳过不必要的问题。

    Mar, 2023

  • 从专家那里搜集知识：用于认知任务分析的自动转录解析

    本文介绍了一种弱监督的信息提取框架，用于自动化的认知任务分析（CTA）转录解析，将解析过程分为序列标记任务和文本跨度对关系提取任务，并应用了不同类型的模型来捕捉上下文依赖性。

    Jun, 2019

  • 面向对话助手的基于实践的复杂任务分割

    通过将结构化说明转化为对话结构的形式，研究使用基于 Transformer 的架构模拟对话步骤，并通过用户研究证明了该方法对网页说明文本的改进

    Sep, 2023

  • 在对话式任务助手中进行评级预测的行为和对话流特征

    使用 TB-Rater 模型结合对话流特征和用户行为特征，预测对话任务助手（CTA）中用户评分，结果表明该模型能够优化离线评分预测，并通过 CTA 特定的行为特征提供对该环境的洞察，可用于未来系统的引导。

    Sep, 2023

  • 使用产品元数据为对话式购物助手提供问题建议

    通过使用大型语言模型（LLMs），我们提出了一个框架，可以自动生成与产品有关的上下文、有用、可回答、流畅且多样化的问题，并建议这些问题给客户作为帮助和提示，从而实现更顺畅、更快速、减少对话开销和摩擦的购物体验。

    May, 2024

  • 数据驱动的金融领域统计和自然语言处理技术的内容创作

    本文提出了一个通过摘要网络和层次聚类技术来提取客户提问的框架，同时对客户的问题进行语法和语义相似度分析，并采用 TF-IDF 和 BERT 计算相似性得分。

    Sep, 2021

  • 基于数据库的对话自然语言接口的高效部署

    研究使用对话式多轮数据的方法加速训练自然语言到查询语言的机器学习模型，旨在解决领域数据有限及集成过程繁琐耗时等问题。

    May, 2020

  • 直击事实：学习用于事实视觉问答的知识库检索

    本文介绍了一种基于学习嵌入空间的方法来解决知识库交互中的同义词和同形异义词问题，并在基于事实的视觉问答数据集上取得了超过 5％的最优结果。

    Sep, 2018