解锁多样观点:基于人物角色的多智能体框架及辩论驱动的文本规划技术用于论证生成
本文介绍了一个新的框架 CANDELA,用来解决针对特定问题的对抗论证自动生成,它包含了一个强大的检索系统和一个新型的双步骤生成模型,通过索引 1200 万文章并使用自然语言处理,使得自动生成的对抗论证比以往更为适当和丰富。经过自动评估和人工评估,该模型均取得了相比现有技术的更高 BLEU、ROUGE 和 METEOR 语言分数。
Jun, 2019
该论文介绍了一种新方法,即通过多个语言模型实例的反复辩论和推理过程,以达成一个共同的最终答案,从而改善语言响应的表现,特别是在数学和策略推理方面,改善了已有模型中一些常见问题,如虚假答案和幻觉现象,并有望显著提高大型语言模型的性能和开拓语言生成和理解领域。
May, 2023
提出了一种基于用户人格检测的个性化对话生成器,该方法使用条件变分推理建立用户潜在人格模型并利用后验鉴别正则化提高训练效果,在实证研究中实现比现有技术更高的对用户人格关注和提升了对话品质的效果。
Apr, 2022
人工智能的替代代理人具有重要的影响力,可在线上言论中生成有效的论点,以引导公众舆论;此外,它们之间的相互作用还能够模拟人类社会系统中的说服过程,以便作为研究人群舆论动态的可信代理人。
Dec, 2023
本文提出了一种可控的神经生成框架,它可以利用个人命名实体规划灵活引导对话摘要生成。条件序列被调节以决定何种类型的信息或者何种角度着重于形成摘要,以解决摘要任务中的低限制问题。实验结果表明,我们提出的框架使用各种规划控制生成流畅和事实正确的摘要。
Sep, 2021
这篇论文提出了一个名为 Americano 的新型框架,利用代理互动将生成过程分解为基于论证理论的连续动作序列,首先按顺序执行动作来生成论证性话语组成部分,然后根据这些组成部分生成最终论证。为了进一步模仿人类写作过程并改进当前自回归语言模型的从左到右生成模式,引入了一个论证改进模块,根据接收到的反馈自动评估和改进论证稿。通过在 Reddit/CMV 数据集的子集上进行反驳生成任务的评估,结果表明我们的方法优于端到端和连续思考提示方法,能够生成内容丰富、条理清晰、有说服力的各种论证。
Oct, 2023
本文提出了一种混合方法,通过结合论述框架、语义学、基于 Transformer 的体系结构和神经图网络来自动评估论证性辩论,并获得了有前途的结果,这为自然语言论证的自动分析开辟了新的研究方向。
Mar, 2022
本文提出了一种新的理论框架,旨在分析文本生成中多方面的目标并为适应未见数据的学习者提供理论保证,应用于 GuessWhat?!视觉对话游戏的数据转移研究,提出了一种新的算法。实验证明,本文提出的算法不仅改善了任务成功率,而且提高了生成文本的人类相似度,并且本文的统计数据能够预测对话的多个质量,是模型选择的一个有用指标。
Oct, 2022
提出了一种基于多智能体评分系统的自然语言生成(NLG)评估框架 DEBATE,通过引入反对者的概念,解决了 LLM 智能体回答中的偏见问题,从而在 NLG 评估中显著超越了现有的方法。
May, 2024
该研究提出了一种新的神经模型来动态跟踪论证对话中主题和话语变化对说服力的影响,并在社交媒体和最高法院的论证对话上进行了实验验证。实验结果表明该模型能够有效地辨别具有说服力的论证,并发现主题和话语对说服力都有帮助,但优秀的话语风格可能会在社交媒体争议中造成偏见。
Feb, 2020