Jul, 2024

利用大型语言模型进行对话代理的规划

HTML
PDF
TL;DR基于大型语言模型的基于规划的对话代理框架（PCA）能通过离线制定核心和必要的SOP，实现在线规划最佳行动路径以实现对话的可控性和前瞻性。实验证明，经过细调的LLMs在PCA-D上可以显著提高性能并具备广泛的泛化能力，而PCA-M则在对话的可控性、前瞻性、任务成功率和整体逻辑连贯性方面优于其他基准，并适用于工业对话场景。
发现论文，激发创造
  • 通过自动规划生成对话代理

    通过使用领域无关的AI规划来创建自动化的对话计划，使得具备个性化、定制化和上下文相关互动要求的更复杂多轮对话应用（如职业指导或旅行规划）得以实现。

    Feb, 2019

  • 使用显式对话目标的人机积极对话

    本研究旨在构建一种自然对话体验的人机对话系统，并通过新数据集DuConv的实验，证明了在知识图谱的帮助下以对话为导向的规划可生成更丰富的多轮对话。

    Jun, 2019

  • 朝着具有进展意识的自主对话代理的发展

    本文提出一种对话代理框架，该框架包括使用“全局”对话状态空间的概念、基于会话轨迹计算的任务特定进度函数和基于对话回滚的计划机制，从而让对话代理为下一步响应选择使用任务成功的话题。

    May, 2022

  • 使用强化学习进行开放式对话的动态规划

    本研究利用强化学习技术结合最先进的自然语言理解模型创造了一个实时的对话系统，并在使用谷歌智能助手的实验中，使用众包数据进行训练，显著超越了强化模型，证明其对于自然人对话有较高的开放性和可行性。

    Jul, 2022

  • 主动对话系统调查：问题、方法和前景

    本综述论文提供有关积极对话系统的综述，包括设计和挑战等方面，以及对话类型和实际应用的相关信息。

    May, 2023

  • 针对积极对话的大型语言模型的提示和评估：澄清、目标导向和非协作

    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

  • 使用工作流和行动计划提高任务导向对话的泛化能力

    给定合法工作流名称和动作计划的对话上下文能够有效地帮助基于文本生成模型完成多步任务，但新的无法训练过的多步任务需要补充动作计划信息。

    Jun, 2023

  • 大规模语言模型驱动的对话代理的即插即用策略规划器

    本文提出了一种用于策划大型语言模型（LLMs）主动对话问题的新型对话策略规划范式，名为PPDPP，通过可调节的语言模型插件来提高LLMs的主动性。实验证明，在谈判、情感支持和辅导对话等三个不同的主动对话应用中，PPDPP相对于现有方法始终有显著的性能优势。

    Nov, 2023

  • 学习澄清：基于行动对比自我训练的多轮对话

    Action-Based Contrastive Self-Training (ACT) is a quasi-online preference optimization algorithm that improves conversation modeling in large language models (LLMs), particularly in the area of disambiguation and dialogue policy learning.

    May, 2024

  • 像人一样规划：对话规划的双过程框架

    通过引入心理学中的双过程理论，我们提出了双过程对话规划（DPDP）框架，结合直觉策略模型和深思熟虑的蒙特卡洛树搜索机制，通过线下强化学习和增强的实时学习实现了效率和策略深度之间的动态平衡，并在各种对话任务中实验证实了DPDP在实现高质量对话和操作效率上的卓越性。

    Jun, 2024