Knowledge-based Conversational Search
允许直观和全面访问数字存储信息的对话界面仍然是一个雄心勃勃的目标。在这篇论文中,我们通过分析需求和提出具体的解决方案来自动化一些基本组件和任务,这样的系统应该支持对话搜索系统的设计奠定了基础。我们描述了几个相互依赖的研究,进行了分析更先进的会话搜索系统的设计要求,能够支持复杂的类人对话的互动,并提供访问庞大的知识库。在前两章的研究中,我们重点分析了信息寻求对话的共同结构,通过捕捉话语之间的领域独立的功能关系以及来自共享背景知识的特定领域的隐含语义关系的经常性模式。我们的研究结果表明,问答是有效的信息访问所需的关键组成部分之一,但它不是对话搜索系统应该支持的唯一类型的对话交互。在第三章中,我们提出了一种新的方法,从知识图谱的复杂问答,超越了目前的最先进的结果在功效和效率方面。在最后的研究章节中,我们把我们的注意力转向另一种交互模式,我们称之为会话式浏览,其中,不同于问答,会话系统在对话交互过程中起着更积极的作用。我们表明,这种方法可以帮助用户发现相关的项目是很难检索使用问答由于词汇不匹配的问题。
2019-12-14 cs.CL cs.IR
ChatR1: Reinforcement Learning for Conversational Reasoning and Retrieval Augmented Question Answering
University of Amsterdam(阿姆斯特丹大学)
ChatR1通过强化学习实现对话问答中的推理与检索增强,通过意图感知奖励提升多轮对话性能,优于多个基准数据集。
2026-04-25 cs.CL cs.IR
Structured Context and High-Coverage Grammar for Conversational Question Answering over Knowledge Graphs
Sorbonne Université(索邦大学);CNRS(法国国家科学研究中心);Google Research(谷歌研究院)
我们使用神经语义解析方法来解决大知识图谱上弱监督会话问答的问题。我们引入了一种新的逻辑形式(LF)语法,可以在图形上对各种查询进行建模,同时保持足够简单以有效地生成监督数据。我们基于Transformer的模型采用类似JSON的结构作为输入,使我们能够轻松地将知识图谱和会话上下文结合起来。这种结构化的输入被转换为嵌入列表,然后被馈送到标准的注意力层。我们验证了我们的方法,无论是在语法覆盖率和LF执行的准确性,两个公开可用的数据集,CSQA和ConvQuestions,都在维基数据接地。在CSQA上,我们的方法将覆盖范围从$80\%$增加到$96.2\%$,并将LF执行精度从$70.6\%$增加到$75.6\%$。在ConvQuestions上,我们在最先进的技术方面取得了有竞争力的结果。
2021-09-01 cs.CL
An Empirical Study of Content Understanding in Conversational Question Answering
National Taiwan University(国立台湾大学)
随着上下文无关问答系统的大量研究,会话式问答模型成为自然语言处理领域的一个发展趋势。多亏了最近收集的数据集,包括QuAC和CoQA,在会话式问答方面有了更多的工作,最近的工作在这两个数据集上都取得了有竞争力的性能。然而,据我们所知,会话理解研究的两个重要问题还没有得到很好的研究:1)基准数据集能在多大程度上反映模型的内容理解?2)模型在回答问题时是否很好地利用了对话内容?为了研究这些问题,我们设计了不同的训练设置,测试设置,以及攻击,以验证模型的能力,内容理解QuAC和CoQA。实验结果表明,在基准数据集,QuAC和CoQA,会话理解研究的一些潜在的危险。我们的分析还揭示了模型可以学习什么以及数据集如何使模型产生偏差。通过对该任务的深入研究,相信本研究对会话理解的进一步发展具有一定的借鉴意义。源代码可在https://github.com/MiuLab/CQA-Study上获得。
2019-11-27 cs.CL
Multi-trait User Simulation with Adaptive Decoding for Conversational Task Assistants
NOVA University of Lisbon(里斯本新大学);NOVA LINCS
针对对话任务助手中多样用户特质难以模拟的问题,提出 mTAD,在解码时从特质专属 LM 采样以生成多画像对话,并通过 CTA 真实对话实验验证其有效性与灵活性。
2024-10-28 cs.AI cs.CL cs.HC
Open-Domain Conversational Question Answering with Historical Answers
National Taiwan University(国立台湾大学)
开放域会话式问答可以被看作两个任务:段落检索和会话式问答,其中前者依赖于从大型语料库中选择候选段落,后者需要更好地理解问题并结合上下文来预测答案。本文提出了ConvADR-QA,利用历史答案来提高检索性能,并进一步实现更好的回答性能。在我们提出的框架中,检索器使用师生框架,以减少噪音从以前的回合。我们在基准数据集OR-QuAC上的实验表明,我们的模型在提取式和生成式读者设置中的表现优于现有基线,很好地证明了开放域会话问答的历史答案的有效性。
2022-11-17 cs.CL
Zero-Shot Adaptive Transfer for Conversational Language Understanding
Microsoft Corporation(微软公司)
像Alexa和Google Assistant这样的会话代理需要不断通过添加新的域来提高其语言理解能力。训练每个新领域需要大量的标记数据。虽然领域自适应方法减轻了注释成本,但是现有方法受到增加的训练时间和次优概念对齐的影响。为了解决这个问题,我们引入了一种新的Zero-Shot自适应传输方法槽标记,利用槽描述跨域传输可重用的概念,并享有有效的训练,没有任何明确的概念对齐。在与我们的商业个人数字助理相关的10个域的数据集上进行的广泛实验表明,我们的模型在很大程度上优于以前的最先进的系统,并且在低数据状态下实现了更高的改进。
2018-08-29 cs.CL
AI Conversational Interviewing: Transforming Surveys with LLMs as Adaptive Interviewers
LMU Munich(慕尼黑大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心);University of Mannheim(曼海姆大学);University of Oxford(牛津大学)
本研究通过随机对照实验验证了用大型语言模型替代人类访谈者进行对话式访谈的可行性,发现AI访谈在数据质量上与传统方法相当且具备可扩展性优势,并提出了实施建议。
2025-03-12 cs.AI cs.CL cs.HC
Gunrock 2.0: A User Adaptive Social Conversational System
University of California, Davis(加州大学戴维斯分校)
Gunrock 2.0建立在Gunrock之上,强调用户适应性。Gunrock 2.0结合了各种神经自然语言理解模块,包括命名实体检测,链接和对话行为预测,以提高用户的理解能力。它的对话框管理是一个分层模型,可以处理各种主题,如电影、音乐和体育。系统级对话管理器可以处理问题检测、确认、错误处理和其他功能,使下游模块更容易设计和实现。对话管理器还调整其主题选择以适应不同用户的配置文件信息,例如推断的性别和个性。生成模型是模板和神经生成模型的混合。Gunrock 2.0在5月29日至6月4日的最新版本中能够达到3.73的平均评级。
2020-11-30 cs.AI cs.CL
Adaptive Multi-Agent Response Refinement in Conversational Systems
KAIST(韩国科学技术院);Amazon(亚马逊);Collate;University College London(伦敦大学学院)
针对大型语言模型在对话系统中处理个性化和特定知识时的不足,提出自适应多智能体框架,通过动态协调负责事实性、个性化和连贯性的智能体优化响应,在相关任务中显著优于基线。
2025-11-11 cs.AI cs.CL cs.MA
Dynamic benchmarking framework for LLM-based conversational data capture
本文提出一个动态基准测试框架,通过合成用户交互评估基于LLM的对话智能体在信息提取、上下文感知和自适应参与上的表现,并在贷款场景中验证了自适应策略能提升数据提取准确性。
2025-02-04 cs.AI cs.CL
MemORAI: Memory Organization and Retrieval via Adaptive Graph Intelligence for LLM Conversational Agents
Independent Researcher(独立研究者);Hanoi University of Science and Technology(河内科学技术大学);VNU University of Engineering and Technology(VNU工程大学);Monash University(墨尔本大学)
提出MemORAI框架,通过选择性记忆过滤、富来源追踪的多关系图存储和查询自适应子图检索,解决LLM长期对话中记忆缺失、信息稀释和检索不精准的问题,在LOCOMO和LongMemEval基准上达到最优性能。
2026-06-02 cs.CL
Behavior-Adaptive Conversational Agents: Toward a Fluid Personality Framework
Northeastern University(东北大学)
提出流动人格框架,根据任务上下文、用户目标和情境紧迫性,动态调整代理的隐喻角色和人格表达强度,以提升用户信任和体验。
2026-07-02 cs.AI cs.CL cs.HC
Cross-modal Context Fusion and Adaptive Graph Convolutional Network for Multimodal Conversational Emotion Recognition
School of Astronautics Northwestern Polytechnical University Xi'an, China;School of Software Northwestern Polytechnical University Xi'an, China
本文提出一种多模态对话情感识别方法,通过跨模态上下文融合模块减少模态干扰,并利用自适应图卷积模块提取说话者依赖关系,在基准数据集上取得高准确率。
2025-01-25 cs.CL
Memoria: A Scalable Agentic Memory Framework for Personalized Conversational AI
BlackRock, Inc.(黑石公司)
Memoria通过结合动态摘要和加权知识图,为LLM提供持久记忆,实现对话连贯性和个性化,适用于需要适应性用户体验的行业应用。
2025-12-14 cs.AI cs.CL
Understanding User Preferences for Interaction Styles in Conversational Recommender Systems: The Predictive Role of System Qualities, User Experience, and Traits
School of Computer Science, University of Technology Sydney(技术科技大学计算机科学学院);Australian Institute of Health Innovation, Macquarie University(麦觉里大学健康创新研究所)
本研究通过受试者内实验发现,愉悦感、有用性、新颖性和对话质量等预测用户对探索性交互的偏好,并识别出五种用户画像,为对话式推荐系统的自适应设计提供依据。
2025-08-04 cs.CL cs.HC cs.IR
Optimal Question Selection from a Large Question Bank for Clinical Field Recovery in Conversational Psychiatric Intake
Johns Hopkins University(约翰霍普金斯大学)
本文提出一个基于临床问题库的问题选择框架,通过对比随机提问、临床基线和LLM引导策略,发现结构化问题和适应性策略能显著提升临床对话信息恢复效果。
2026-04-27 cs.AI cs.CL
Learning to Ask: Conversational Product Search via Representation Learning
University of Amsterdam(阿姆斯特丹大学);York University(约克大学);Shandong University(山东大学)
本文提出对话式商品搜索模型ConvPS,通过统一生成式框架联合学习用户、查询、商品和对话的语义表示,并结合贪心与探索-利用策略学习提问,显著优于现有基线方法。
2024-11-18 cs.AI cs.CL cs.IR
Designing LMS and Instructional Strategies for Integrating Generative-Conversational AI
针对高等教育个性化、可扩展教学的痛点,本研究采用设计型研究方法,构建了融合生成式与对话式AI的模块化AI-LMS框架,配套符合多学习理论的教学策略与伦理保障,为教育AI落地提供实用模型。
2025-08-31 cs.CL
Reflecti-Mate: A Conversational Agent for Adaptive Decision-Making Support Through System 1 and System 2 Thinking
TU Delft(代尔夫特理工大学);TU Delft/Leiden University(代尔夫特理工大学/莱顿大学)
本文研究了一种对话代理,通过适应个体思维模式促进决策整合,该代理能提供更个性化的反思路径和整合性反思语言,优于传统决策支持系统。
2026-05-21 cs.CL cs.HC
Insightful Assistant: AI-compatible Operation Graph Representations for Enhancing Industrial Conversational Agents
Technical University of Darmstadt(达姆施塔特工业大学)
语音控制助手的进步为进入消费者市场铺平了道路。对于专业或工业用途,由于数据的复杂性较高,可能的基于AI的操作和请求,这些助手的功能太有限或太耗时。针对这些缺陷,本文提出了洞察助理-一个管道概念,基于一种新的操作图表示,从检测到的意图。使用一组预定义的语义注释(可执行)函数,操作图的每个节点都被分配给一个函数执行。除了基本操作之外,这样的功能可以包含基于人工智能(AI)的操作(例如,异常检测)。然后根据类型和提取的用户偏好以自动化的方式将结果可视化给用户。我们进一步收集了一个独特的869个请求的众包集,每个请求都有四个不同的预期可视化变量,用于工业数据集。在此数据集上对我们的概念验证原型进行的评估显示了其可行性:对于具有不同变体的简单(复杂)请求检测,其准确率高达95.0%(74.5%),对于数据/用户自适应可视化,其top3准确率高达95.4%。
2020-07-25 cs.AI cs.CL cs.IR
Self-Supervised Bot Play for Conversational Recommendation with Justifications
UC San Diego(加州大学圣迭戈分校)
会话式推荐系统为用户提供了交互式的、吸引人的方式来找到他们喜欢的项目。我们试图通过三个维度来改进会话推荐:1)我们的目标是模仿人类交互的常见模式进行推荐:专家证明他们的建议,搜索者解释为什么他们不喜欢这个项目,双方通过对话来寻找合适的项目。2)我们利用对话批评的想法,让用户灵活地与自然语言的理由,批评主观方面。3)我们将会话式推荐应用于更广泛的领域,在这些领域中,众包的地面实况对话不可用。我们开发了一个新的两部分的框架训练会话推荐系统。首先,我们训练了一个推荐系统来联合推荐项目,并用主观方面来证明它的推理。然后,我们对这个模型进行微调,通过自我监督的机器人游戏来整合迭代的用户反馈。三个真实世界的数据集上的实验表明,我们的系统可以应用于不同领域的不同推荐模型,以实现更优越的性能相比,最先进的方法在会话推荐。我们还评估了我们的人类用户模型,表明在我们的框架下训练的系统在热启动和冷启动设置中提供了更有用,更有帮助和更有知识的建议。
2021-12-09 cs.CL cs.IR
Agentic Conversational Search with Contextualized Reasoning via Reinforcement Learning
University of Montreal(蒙特利尔大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Notre Dame(诺特丹大学);Northeastern University(东北大学)
本文提出一种基于强化学习的对话搜索代理,通过在对话轮次中交替搜索与推理,实现探索性与适应性行为,优于现有基准方法。
2026-04-15 cs.CL cs.IR
COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce
Rutgers University(罗格斯大学);HPI/University of Potsdam(波茨坦大学哈索·普拉特纳研究院)
在这项工作中,我们提出了一个新的数据集的会话推荐知识图谱在电子商业平台称为COOKIE。该数据集是从亚马逊评论语料库构建的,通过集成用户代理对话和自定义知识图谱进行推荐。具体来说,我们首先构建一个统一的知识图谱,并提取用户-产品对之间的关键实体,作为对话的骨架。然后,我们模拟会话反映人类粗到细的过程中选择首选项。所提出的基线和实验表明,我们的数据集能够为会话推荐提供创新的机会。
2020-08-21 cs.AI cs.CL cs.IR
Dialoging Resonance: How Users Perceive, Reciprocate and React to Chatbot's Self-Disclosure in Conversational Recommendations
Columbia University(哥伦比亚大学);University of California, Davis(加州大学戴维斯分校)
使用聊天机器人提供推荐越来越受欢迎。推荐聊天机器人的设计主要是通过关注推荐内容本身来采取以信息为中心的方法。有限的关注是如何社会联系和关系策略,如聊天机器人的自我披露,可能会影响用户的感知和接受的建议。在这项工作中,我们设计、实现和评估了一个社交聊天机器人,它能够执行三个不同级别的自我披露:事实信息(低)、认知观点(中)和情感(高)。在评估中,我们招募了372名参与者与聊天机器人就两个主题进行对话:电影和COVID-19体验。在每个主题中,聊天机器人都会进行简短的谈话,并提出与主题相关的建议。参与者被随机分配到四个实验条件下,聊天机器人使用事实,认知,情感和适应策略来执行自我披露。通过训练文本分类器来实时识别用户的自我披露水平,自适应聊天机器人可以动态地将其自我披露与用户表现出的披露水平相匹配。我们的研究结果表明,当推荐聊天机器人在整个对话中始终显示情感时,用户会以更高级别的自我披露作为回报。聊天机器人的情感披露也导致了对机器人的更高的互动享受和更积极的人际感知,培养了更强的人与聊天机器人的关系,从而提高了推荐的有效性,包括更高的接受推荐的倾向。我们讨论了所获得的理解和影响,未来的设计。
2022-11-10 cs.AI cs.CL
Constrained Policy Optimization for Controlled Self-Learning in Conversational AI Systems
Amazon Alexa AI(亚马逊Alexa人工智能部门)
本研究提出一种基于用户定义约束和元梯度学习的可扩展框架,用于对话式AI的自学习,在策略价值与约束满足间取得最佳平衡。
2022-09-17 cs.AI cs.CL cs.LG
Metric Learning and Adaptive Boundary for Out-of-Domain Detection
Czech Technical University in Prague(捷克技术大学)
会话代理通常是为封闭世界环境设计的。不幸的是,用户可能会有意想不到的行为。在开放世界环境下,训练数据和测试数据的采样分布往往不一致。然后,来自不同分布的数据被称为域外(OOD)。一个健壮的会话代理需要对这些OOD话语做出充分的反应。因此,鲁棒OOD检测的重要性被强调。不幸的是,收集OOD数据是一项具有挑战性的任务。我们设计了一个独立于OOD数据的OOD检测算法,该算法在公开数据集上的性能优于当前最先进的各种算法。我们的算法是基于一个简单而有效的方法相结合的度量学习与自适应决策边界。此外,与其他算法相比,我们发现,我们提出的算法具有显着提高OOD性能的情况下,类的数量较少,同时保持在域(IND)类的准确性。
2022-04-22 cs.CL
Interactive Teaching for Conversational AI
Amazon(亚马逊)
目前的对话式人工智能系统旨在理解一组预先设计的请求并执行相关操作,这限制了它们自然进化并根据人类交互进行调整。受儿童如何与成人互动学习第一语言的启发,本文描述了一种新的可教学人工智能系统,该系统能够使用实时交互式教学会话直接从最终用户那里学习新的语言金块(称为概念)。所提出的设置使用三个模型来:a)在实时会话交互期间自动识别理解的差距,b)从与用户的实时交互中学习这些未知概念的各自解释,以及c)管理专门为交互式教学会话定制的课堂子对话。我们提出了最先进的基于Transformer的模型神经架构,在预训练模型的基础上进行了微调,并在各个组件上显示了准确性的提高。实验结果表明,该方法在构建更具自适应性和个性化的语言理解模型方面具有广阔的应用前景。
2020-12-02 cs.CL
Conversational Search: From Fundamentals to Frontiers in the LLM Era
University of Amsterdam(阿姆斯特丹大学)
本教程面向学术与工业界相关人员,梳理对话式搜索的基础理论与大语言模型驱动的前沿进展的关联,帮助学习者掌握相关知识以助力下一代对话式搜索系统研发。
2025-06-12 cs.CL cs.IR
Dialogic Pedagogy for Large Language Models: Aligning Conversational AI with Proven Theories of Learning
本文综述LLM对话代理在教育中的应用,结合维果茨基、苏格拉底和劳里拉德理论,提出通过提示设计和RAG对齐教学法,弥合理论与实践的差距。
2025-06-24 cs.AI cs.CL cs.HC
Rating Prediction in Conversational Task Assistants with Behavioral and Conversational-Flow Features
NOVA University of Lisbon(里斯本新大学);NOVA LINCS(NOVA LINCS实验室)
本文提出TB-Rater模型,结合会话流与用户行为特征预测对话式任务助手的用户评分,并在Alexa TaskBot真实数据上验证了其有效性。
2023-09-20 cs.AI cs.CL
Audrey: A Personalized Open-Domain Conversational Bot
University of Michigan(密歇根大学)
会话智能要求一个人在信息、个人和关系层面上参与。自然语言理解的进步帮助最近的聊天机器人在信息层面上成功对话。然而,目前的技术仍然落后于与人类在个人层面上交谈,并与他们完全相关。密歇根大学提交给Alexa Prize Grand Challenge 3的Audrey是一个开放领域的对话聊天机器人,旨在通过由客户个性和情感指导的兴趣驱动对话来吸引这些级别的客户。Audrey是从社会感知模型(如情感检测和个人理解模块)构建的,以更深入地了解用户的兴趣和愿望。我们的架构使用知识驱动的响应生成器和上下文驱动的神经响应生成器之间的混合方法与客户交互,以满足所有三个级别的对话。在半决赛期间,我们在1-5 Likert量表上获得了3.25的平均累积评分。
2020-11-11 cs.AI cs.CL
Enhancing Personalized Multi-Turn Dialogue with Curiosity Reward
Google DeepMind(谷歌DeepMind);University of Washington(华盛顿大学);Google Research(谷歌研究);University of California, Berkeley(伯克利加州大学)
针对现有多轮对话个性化依赖用户历史、传统RLHF共情适配不足的问题,提出融入好奇心内在奖励的多轮RLHF方法,可主动推断用户特征,在推荐与教育场景提升个性化效果与泛化能力。
2025-10-02 cs.AI cs.CL
AgentIR: A Workload-Adaptive Cascade Retrieval Substrate for Long-Term Conversational Memory
University of Southern California(南加州大学)
针对长期对话记忆中索引动态增长、查询类型变化和亚10毫秒延迟预算的挑战,提出一种基于置信度触发的级联路由策略,通过自适应选择融合方法和是否运行稠密通道,在保持准确率的同时显著降低延迟并提升并发能力。
2026-05-24 cs.CL cs.DB cs.IR
The Adapter-Bot: All-In-One Controllable Conversational Model
Center for Artificial Intelligence Research (CAiRE)(人工智能研究中心(CAiRE));The Hong Kong University of Science and Technology(香港科技大学)
通过在大型对话数据集上训练大语言模型,在生成连贯和流畅响应的对话模型方面已经取得了相当大的进展。这些模型对生成的响应几乎没有控制,并且错过了两个重要的功能:持续的对话技能集成和无缝地利用不同的知识来源。在本文中,我们提出了适配器机器人,一种对话模型,使用固定的骨干对话模型,如DialGPT(Zhang et al.,2019)并触发按需对话技能(例如,地震响应、天气信息、电影推荐)(Houlsby等人,2019年)。每个适配器都可以独立训练,因此可以在不重新训练整个模型的情况下持续集成技能。根据技能的不同,该模型能够以无缝的方式处理多种知识类型,如文本、表格和图形。对话技能可以通过对话管理器自动触发,也可以手动触发,从而允许对生成的响应进行高级控制。在目前阶段,我们已经实现了12种响应样式(例如,正、负等),8项目标导向技能(如天气信息、电影推荐等),以及个性化和个性化的回应。我们通过与现有的最先进的会话模型进行比较,使用自动评估来评估我们的模型,并且我们已经在adapter.bot.ust.hk发布了一个交互式系统。
2020-10-21 cs.AI cs.CL
Making the case for audience design in conversational AI: Rapport expectations and language ideologies in a task-oriented chatbot
University of Surrey(萨里大学)
聊天机器人在商业和科学背景下越来越普遍。他们帮助客户投诉产品或服务,或支持他们找到最好的旅行交易。其他机器人提供心理健康支持或帮助预订医疗预约。本文认为,洞察用户的语言意识形态和他们的融洽的期望,可以用来告知观众的机器人的语言和交互模式的设计,并确保公平地获得机器人提供的服务。这一论点得到了三种数据的支持:模拟用户与促进健康预约预订的聊天机器人的交互,用户对其交互的内省评论以及用户与预订机器人互动后的定性调查评论。最后,我将定义对话式人工智能的受众设计,并讨论如何使用以用户为中心的聊天机器人交互分析和社会语言学知情的理论方法,如融洽关系管理,来支持受众设计。
2022-06-21 cs.AI cs.CL
Spot The Bot: A Robust and Efficient Framework for the Evaluation of Conversational Dialogue Systems
Zurich University of Applied Sciences (ZHAW)(苏黎世应用科技大学);University of the Basque Country (UPV/EHU)(巴斯克地区大学);National Distance Education University (UNED)(国家远程教育大学);Synapse Développement(Synapse Développement(Synapse 发展公司))
缺乏高效且可靠的评估方法阻碍了会话式对话系统(聊天机器人)的发展。需要人类与聊天机器人对话的评估是时间和成本密集型的,对人类法官提出了很高的认知要求,并产生低质量的结果。在这项工作中,我们介绍了\emph{Spot The Bot},一个具有成本效益和强大的评估框架,取代人与机器人之间的对话对话。然后,人类法官只为对话中的每个实体注释他们是否认为它是人类(假设这些对话中有人类参与者)。然后,这些注释允许我们根据聊天机器人模仿人类对话行为的能力对它们进行排名。由于我们预计所有机器人最终都会被认可,因此我们引入了一个指标来衡量哪些聊天机器人可以最长时间地维持类似人类的行为,即,\emph{Survival Analysis}。该指标能够将机器人的性能与其某些特性(例如,\流畅或敏感),产生可解释的结果。我们框架的低成本允许在评估周期内频繁评估聊天机器人。我们通过将\emph{Spot The Bot}应用于三个领域,评估几个最先进的聊天机器人,并与相关工作进行比较,来实证我们的主张。该框架作为一个即用型工具发布。
2020-10-05 cs.AI cs.CL
Alquist 3.0: Alexa Prize Bot Using Conversational Knowledge Graph
Faculty of Electrical Engineering, CTU Prague(捷克理工大学电气工程学院);CIIRC, CTU Prague(捷克理工大学捷克信息学、机器人学和控制论研究所)
在Alexa Prize 2020竞赛中开发的开放域对话系统Alquist的第三个版本旨在就流行话题进行连贯和引人入胜的对话。主要的新贡献是引入了一个系统,利用基于会话知识图谱和邻接对的创新方法。会话知识图谱允许系统在随后的回合中和跨会话利用在对话期间表达的知识。对话邻接对将对话划分为小的对话结构,这些对话结构可以组合,并允许系统灵活地对各种用户输入做出反应。我们讨论和描述Alquist的管道,数据采集和处理,对话管理器,NLG,知识聚合,和层次结构的邻接对。我们提出的系统的各个部分的实验结果。
2020-11-06 cs.CL
EGCR: Explanation Generation for Conversational Recommendation
University of Washington(华盛顿大学)
会话式推荐系统(CRS)作为一种基于会话、面向任务的推荐工具,能够提供用户感兴趣的内容,探索用户的偏好,受到了越来越多的关注。然而,现有的工作在CRS未能明确地显示推理逻辑的用户和整个CRS仍然是一个黑箱。因此,我们提出了一个新的端到端的框架命名为会话推荐(EGCR)的基础上产生的解释会话代理解释,解释他们为什么要采取行动。EGCR结合了用户评论,以增强项目表示,并增加整个对话的信息量。据我们所知,这是第一个在真实世界数据集上进行可解释会话推荐的框架。此外,我们在一个基准会话推荐数据集上评估EGCR,并在推荐准确性和会话质量方面取得了比其他最先进的模型更好的性能。最后,大量的实验表明,生成的解释不仅具有高质量和可解释性,而且使CRS更值得信赖。我们将提供我们的代码,为CRS社区做出贡献
2022-08-18 cs.AI cs.CL
Exploring the context of recurrent neural network based conversational agents
Maastricht University(马斯特里赫特大学)
会话代理已经开始在学术(研究方面)和商业(应用方面)世界中兴起。本文研究了使用神经网络生成模型构建非目标驱动的会话代理的任务,并分析了如何处理会话上下文。它比较了一个更简单的编码器-解码器与分层递归编码器-解码器架构,该架构包括一个额外的模块来使用先前的话语信息对会话的上下文进行建模。我们发现,分层模型能够提取相关的上下文信息,并将它们包含在输出的生成中。然而,在语法正确的输出和有意义的响应方面,它的表现比简单的编码器-解码器模型差(35-40%)。尽管有这些结果,实验表明,由于特定主题相关词的频率增加,关于类似主题的对话在上下文空间中彼此接近,从而为未来的研究以及如何利用对话的上下文留下了有希望的方向。
2019-01-31 cs.AI cs.CL
The Dialogue Dodecathlon: Open-Domain Knowledge and Image Grounded Conversational Agents
Facebook AI Research(Facebook人工智能研究院)
我们介绍dodecaDialogue:一组12个任务,衡量一个会话代理是否可以与个性和同理心进行愉快的沟通,提出问题,通过利用知识资源回答问题,讨论主题和情况,以及感知和谈论图像。通过对如此广泛的大规模数据集进行多任务处理,我们希望能够朝着生产一个能够在开放域环境中感知、推理和与人类交谈的单一统一代理的方向发展并衡量其进展。我们表明,这种多任务处理比BERT预先训练的基线有所改善,这主要是由于在类似领域中具有非常大的对话数据集的多任务处理,并且多任务处理通常在微调和任务转移设置中使用多个指标为基于文本和图像的任务提供增益。我们在许多任务上获得了最先进的结果,为这一挑战提供了强大的基线。
2020-04-28 cs.AI cs.CL
The timing bottleneck: Why timing and overlap are mission-critical for conversational user interfaces, speech recognition and dialogue systems
Centre for Language Studies(语言研究中心);Radboud University(拉德堡德大学)
该研究指出时序是对话系统的关键要素,通过评估5款商用ASR系统发现6种语言会话语料词错误率差、说话人重叠影响大,且会波及下游意图识别,为会话式语音技术优化指明方向。
2023-07-28 cs.CL
Topic-based Evaluation for Conversational Bots
University of Maryland(马里兰大学);Amazon Alexa(亚马逊Alexa)
对话评估是一个具有挑战性的问题,特别是对于非面向任务的对话,其中会话成功没有很好地定义。我们建议使用基于主题的指标来评估对话质量,这些指标描述了对话机器人在主题上保持连贯和引人入胜的对话的能力,以及机器人可以处理的主题的多样性。为了检测每个话语的会话主题,我们采用深度平均网络(DAN)和训练的主题分类器上的各种问题和查询数据分类成多个主题。我们提出了一种新的扩展DAN通过添加一个主题词的注意力表,允许系统联合捕获主题关键字在话语和执行主题分类。我们将我们提出的基于主题的指标与用户提供的评级进行比较,并表明我们的指标与人类判断相关并补充人类判断。我们的分析是在Alexa Prize竞赛中成千上万的真实人机对话中进行的,并突出了用户对对话机器人的期望。
2018-01-11 cs.AI cs.CL cs.CY
TUTORING: Instruction-Grounded Conversational Agent for Language Learners
Yonsei University(延世大学);Market Designers Inc.(Market Designers 公司)
在本文中,我们提出了辅导机器人,一个生成的聊天机器人训练的大规模的辅导学生对话的英语学习。为了模仿人类导师在语言教育中的行为,导师机器人利用各种教育指令和每个指令的理由作为导师响应生成的附加输入上下文。由于单个指令通常涉及多个对话回合以给予学生足够的口语练习,因此需要导师机器人监视和捕获当前指令何时应该保持或切换到下一个指令。为此,导师机器人不仅学习生成响应,而且通过多任务学习方案同时推断其教学动作和当前会话的进展。我们的辅导机器人是根据https://tutoringai.com上的非商业使用许可证部署的。
2023-02-24 cs.AI cs.CL
Dialogue to Discovery: Attribute-Aware Preference Elicitation for Conversational Product Search Assistants
Adobe Research(Adobe研究院);Microsoft Research(微软研究院);UC Berkeley(伯克利大学)
提出属性导向的偏好引导框架D2D,动态利用产品属性结构高效引导对话,在模拟对话中目标发现准确率提升22.2-29.9%,放弃率降低6.6-16.1%,平均对话缩短27.5%。
2026-06-24 cs.CL cs.HC cs.IR
CAISE: Conversational Agent for Image Search and Editing
UNC Chapel Hill(北卡罗来纳大学教堂山分校);Roku Inc.(Roku公司);Adobe Research(Adobe研究院)
随着用户对表达的渴望也在增加,对图像编辑的需求也在增加。然而,对于大多数用户来说,图像编辑工具并不容易使用,因为这些工具需要一定的照片效果专业知识,并且具有复杂的界面。因此,用户可能需要有人帮助编辑他们的图像,但为每个用户提供个人专用的人类助理是不可能扩展的。因此,需要一种用于图像编辑的自动化辅助系统。此外,用户需要更多的图像源来进行不同的图像编辑工作,将图像搜索功能集成到编辑工具中是对这种需求的潜在补救。因此,我们提出了一个数据集的自动对话代理图像搜索和编辑(CAISE)。据我们所知,这是第一个提供对话式图像搜索和编辑注释的数据集,其中代理与用户进行基础对话,并帮助他们根据请求搜索和编辑图像。为了构建这样一个系统,我们首先收集图像搜索和编辑之间的对话对注释。助理注释员配备了定制的图像搜索和编辑工具,以满足用户注释员的要求。助理注释员使用工具执行的功能被记录为可执行命令,允许经过训练的系统对现实世界的应用程序执行有用。我们还为此任务引入了一个生成器-提取器基线模型,它可以自适应地选择下一个令牌的源(即,从词汇表或从文本/视觉上下文)。这是一个强有力的起点,同时仍然为未来有用的工作留下了很大的人机性能差距。我们的代码和数据集可在https://github.com/hyounghk/CAISE上公开获取
2022-02-24 cs.AI cs.CL cs.CV
DailyTalk: Spoken Dialogue Dataset for Conversational Text-to-Speech
KAIST(韩国科学技术院)
当前的大多数文本转语音(TTS)数据集是个体话语的集合,包含很少的会话方面。在本文中,我们介绍了DailyTalk,一个高质量的会话语音数据集设计的会话TTS。我们从开放域对话数据集DailyDialog中采样、修改并记录了2,541个对话,这些对话继承了其注释属性。在我们的数据集之上,我们扩展了以前的工作作为我们的基线,其中非自回归TTS以对话中的历史信息为条件。从基线实验与一般和我们的新指标,我们表明,DailyTalk可以作为一个通用的TTS数据集,更重要的是,我们的基线可以代表上下文信息从DailyTalk。DailyTalk数据集和基线代码可免费供CC-BY-SA 4.0许可证的学术使用。
2023-03-13 cs.AI cs.CL eess.AS
Multimodal Transformer Models for Turn-taking Prediction: Effects on Conversational Dynamics of Human-Agent Interaction during Cooperative Gameplay
Hanyang University(汉阳大学);DePaul University(德保罗大学)
本研究提出融合多模态信息的跨模态Transformer话轮转换预测模型,在合作游戏场景的用户研究中验证其可提升人机对话流畅自然度,维持平衡会话动态。
2025-02-05 cs.AI cs.CL cs.HC
User Satisfaction Estimation with Sequential Dialogue Act Modeling in Goal-oriented Conversational Systems
The Chinese University of Hong Kong(香港中文大学)
在面向目标的会话系统中,用户满意度评估是一项重要而又具有挑战性的任务。用户对系统的满意程度很大程度上取决于用户需求的满足程度,而用户需求的满足程度可以通过用户的对话行为来体现。然而,现有的研究往往忽略了对话行为的顺序转换或严重依赖于注释的对话行为标签时,利用对话行为,以促进使用。在本文中,我们提出了一个新的框架,即USDA,将连续动态的对话行为预测用户满意度,通过共同学习用户满意度估计和对话行为识别任务。具体来说,首先采用层次化的Transformer对整个对话上下文进行编码,并采用两种任务自适应的预训练策略作为第二阶段的域内预训练,以增强对话建模能力。在对话行为标签的可用性方面,我们进一步开发了USDA的两个变体,以监督或无监督的方式捕获对话行为信息。最后,美国农业部利用对话中内容和行为特征的顺序转换来预测用户满意度。在4个不同应用的目标导向对话数据集上的实验结果表明,该方法在USE上的性能明显优于现有方法,验证了对话行为序列在USE中的重要作用.
2022-02-07 cs.CL
Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior
School of Computing and Information Systems, Singapore Management University(新加坡管理大学计算与信息系统学院);Human-Computer Interaction Institute, Carnegie Mellon University(卡内基梅隆大学人机交互研究所)
提出CURIOBOT框架,通过LLM对话中的语言干预(新奇性、复杂性、冲突、不确定性)激发探索性学习行为,实验显示对话轮次增加2.4倍。
2026-06-23 cs.CL cs.HC
RevCore: Review-augmented Conversational Recommendation
The Chinese University of Hong Kong (Shenzhen)(香港中文大学(深圳));JD AI Research(京东人工智能研究院);Shenzhen Research Institute of Big Data(深圳大数据研究院)
现有的会话式推荐系统在处理较短的会话历史和不熟悉的项目时,往往存在项目信息不足的问题。描述外部信息(例如,评论)是缓解这一问题的潜在解决方案。鉴于评论通常提供关于不同兴趣的丰富而详细的用户体验,它们是在信息性对话中提供高质量推荐的潜在理想资源。在本文中,我们设计了一个新的端到端的框架,即评论增强的会话推荐(RevCore),评论无缝地纳入丰富的项目信息,并协助生成连贯和翔实的反应。详细地说,我们提取情感一致的评论,对项目建议执行评论丰富和基于实体的建议,以及使用评论关注的编码器-解码器来生成响应。实验结果表明,我们的方法在产生更好的性能推荐和会话响应的优越性。
2021-06-02 cs.CL
"I Like Sunnie More Than I Expected!": Exploring User Expectation and Perception of an Anthropomorphic LLM-based Conversational Agent for Well-Being Support
University of Toronto(多伦多大学);Flourish Science(弗洛里什科学公司);Northeastern University(东北大学)
本研究对比38名用户对两款LLM驱动的福祉推荐系统的期望与感知,发现拟人化设计的Sunnie在关系温暖度上优于非拟人基线,且两款系统实用性均超预期,为心理健康支持的交互设计提供参考。
2024-10-07 cs.CL cs.HC