面向Talkamatic对话管理器的协商对话
对话状态跟踪是对话系统中的重要环节,虽然神经方法实现了显著的进展,但对话系统的一些关键方面,如可拓展性等仍未得到充分探索,本文提出了未来研究的几个方向。
Jul, 2022
本篇论文中,我们提出了一种称之为Proactive Chain-of-Thought推导方案,它能够增强LLMs的目标规划能力,以解决其在主动对话方面的不足,具体涉及三个方面:澄清、目标引导和非协作对话。我们还探讨了相应的实证结果,以促进未来在基于LLM的主动对话系统方面的研究。
May, 2023
我们介绍了一种用于两方多议题谈判的协议跟踪任务,并使用GPT-3构建GPT-Negochat,为研究提供了一个合成数据集。通过使用MultiWOZ 2.4语料库训练T5-Small和T5-Base,提高了21%和9%的结果,我们通过发布GPT-Negochat和基准模型来鼓励进一步的研究。
Jul, 2023
这篇论文描述了我们提交给2023年对话机器人竞赛的对话系统。该系统旨在帮助旅行社的用户决定参观京都市的两个观光景点的计划。通过根据对话场景控制对话流程,我们的对话系统具有灵活性和稳定性,并根据系统的话语和用户的情况引入动作和语音控制以提高用户满意度。在预赛中,我们的系统在印象评估中排名第五,在计划评估中排名第六,共有12支队伍。
Dec, 2023
通过分析LLMs在各种对话场景中的多面能力,该研究旨在了解LLMs如何推进不同方面的谈判研究,包括设计对话系统、提供教学反馈和扩大数据收集实践。结果表明,虽然GPT-4在各种任务上表现出优越性,但在主观评估谈判对话和生成上下文恰当且战略优势的回复方面,模型与人类玩家的相关性较差、往往困难重重。
Feb, 2024
利用GPT-4生成对话数据,通过在LLaMA 2上进行两阶段的微调,减少对话收集和注释成本,并表现出比仅使用真实数据训练的基准模型更好的性能,同时适应实际场景中的动态需求。
May, 2024
本研究解决了当前对话代理只能进行“半双工”互动的局限,提出了同步大型语言模型(Synchronous LLMs),实现了全双工对话建模。通过将时间信息集成到Llama3-8b中,并使用合成和真实的对话数据训练,研究表明这一模型在对话意义和自然性上超越了现有技术。
Sep, 2024