Neural Response Generation with Dynamic Vocabularies
@zhangjun 推荐
Dialogue Generation
本文针对 seq2seq 做文本生成任务 decoding 阶段 vocabulary 过大导致计算性能差的问题,提出了一种 dynamic vocabulary 的 seq2seq 模型,本文已被AAAI2018 录用。
论文链接
http://www.paperweekly.site/papers/1267
BBQ-Networks: Efficient Exploration in Deep Reinforcement Learning for Task-Oriented Dialogue Systems
@zhangjun 推荐
Dialog Systems
AAAI2018 录用文章,将深度强化学习用于对话系统。BBQ network 这个名字很有意思,工作来自微软研究院和 CMU。
论文链接
http://www.paperweekly.site/papers/1138
Integrating User and Agent Models: A Deep Task-Oriented Dialogue System
@zhangjun 推荐
Dialogue Agent
港科大杨强老师组最新工作。
论文链接
http://www.paperweekly.site/papers/1109
Flexible End-to-End Dialogue System for Knowledge Grounded Conversation
@lukepan 推荐
Chatbot
该论⽂所引⼊的知识是以 tuple 的形式储存在 KB 中的。 knowledge 的引⼊⽅式如下:Candidate Facts Retriever 从 input 中提取 entity,然后在 KB 中进⾏ query,将通过 relation 寻找到的 objects 和 subjects 作为 Candidate Facts 存储为⼀个集合。
在 Reply Decoding 流程中,为了决定该使⽤哪些 facts,提出了 dynamic knowledge enquirer,⽤以根据 local contexts at various positions within a response 来 rank 并选择集合中哪些 facts 应该被使。
论文链接
http://www.paperweekly.site/papers/891
Affective Neural Response Generation
@Jeffreygao 推荐
Dialog Systems
在对话系统中来建模情感,提出了包含情感的词向量。这篇论文的模型以 seq2seq 为背景,主要在三个点上做改进。(1)在 embedding 上加情感信息(2)改进 loss function(3)beam search 时考虑情感。
论文链接
http://www.paperweekly.site/papers/1043
A Deep Reinforcement Learning Chatbot
@xwzhong 推荐
Chatbot
蒙特利尔算法研究实验室(MILA)为参与亚马逊 Alexa 大奖赛而开发的深度强化学习聊天机器人。
MILABOT 能够与人类就流行的闲聊话题进行语音和文本交流。该系统包括一系列自然语言生成和检索模型,如模板模型、词袋模型、序列到序列神经网络和隐变量神经网络模型。
通过将强化学习应用到众包数据和真实用户互动中进行训练,该系统学习从自身包含的一系列模型中选择合适的模型作为响应。
真实用户使用 A/B 测试对该系统进行评估,其性能大大优于竞争系统。由于其机器学习架构,该系统的性能在额外数据的帮助下还有可能继续提升。
论文链接
http://www.paperweekly.site/papers/559
An End-to-End Trainable Neural Network Model with Belief Tracking for Task-Oriented Dialog
@valyriansteel 推荐
Natural Language Understanding
最近发表在语音顶会 Interspeech 上的一篇关于 end-to-end 任务型对话系统的文章。
提出的模型打破了传统任务型对话系统的 pipeline 模式,用统一的分层 RNN(Hierarchical RNN)来做语义理解(NLU),状态追踪(DST) 和对话管理(DM)。
模型还有一个专门的模块来做数据库/知识库的连接,能有效地把查询结果加入到最后生成的对话回复中。实验用的是基于 DSTC2 的对话数据,在对话状态追踪和回复预测上都取得了不错的效果。
论文链接
http://www.paperweekly.site/papers/395
Generative Encoder-Decoder Models for Task-Oriented Spoken Dialog Systems with Chatting Capability
@paperweekly 推荐
Dialog Systems
本文给出了一个特定领域对话系统的端到端解决方案,包括用 entity indexing 来解决对话生成时的 OOV 问题,也包括从外部数据库中获取到知识并融合到生成的对话中,对工程实现有一定的启发。本文已被 SIGIDIAL 2017 录用。
论文链接
http://www.paperweekly.site/papers/372
Personalization in Goal-Oriented Dialog
@paperweekly 推荐
Dialog Systems
本文给出了一个个性化对话数据集和 baseline,这里的个性化包括了 speaker 的 profile,最近有几篇都是做更加聪明的 chatbot,比如带有情绪,带有感情色彩,带有一定个性。
论文链接
http://www.paperweekly.site/papers/373
Key-Value Retrieval Networks for Task-Oriented Dialogue
@tonya 推荐
Dialog Systems
本文的具体研究场景是车载智能助理,作者提出了一种基于知识库的端到端解决方案,车的 response 信息检索自形如 key-value 知识库中。文章会在后面开放出一个数据集出来供大家研究。本文工作来自斯坦福 Christopher D. Manning 组。
论文链接
http://www.paperweekly.site/papers/662
原文发布时间为:2017-12-8
本文作者:让你更懂AI的
本文来自云栖社区合作伙伴“PaperWeekly”,了解相关信息可以关注“PaperWeekly”微信公众号