MME-RAG: Multi-Manager-Expert Retrieval-Augmented Generation for Fine-Grained Entity Recognition in Task-Oriented Dialogues
Harbin Institute of Technology（哈尔滨工业大学）；Byering Technology（Byering技术公司）
针对任务型对话细粒度实体识别中LLM的领域适配与检索可控性难题，提出MME-RAG多管理者-专家检索增强生成框架，经多数据集验证性能优于基线，具备良好鲁棒性与跨域泛化性。
2025-11-15 cs.AI cs.CL
Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues
Monash University（莫纳什大学）
该研究开发基于LLMs的辅助智能体助力商务协商，通过角色扮演模拟协商、补救智能体重写违规话语，提出基于价值影响标准的无调优无标签ICL方法识别高质量示例，在三类主题协商中验证有效性并开源相关资源。
2025-02-17 cs.AI cs.CL
CorrectionLM: Self-Corrections with SLM for Dialogue State Tracking
University of Washington（华盛顿大学）；Microsoft Research（微软研究院）
提出 CORRECTIONLM 框架，让 SLM 借助上下文示例自主纠正对话状态跟踪结果，无需 LLM 参与，并在低资源 DST 任务上以低计算成本达到接近最先进 LLM 的效果。
2024-10-23 cs.CL
Classification as Decoder: Trading Flexibility for Control in Medical Dialogue
Stanford（斯坦福大学）；Curai（Curai公司）
生成式seq 2seq对话系统被训练来预测已经发生的对话中的下一个单词。他们可以从大型未标记的对话数据集中学习，对对话上下文建立更深入的理解，并生成各种各样的响应。这种灵活性是以控制为代价的，这是医生/患者互动中的一个令人担忧的权衡。训练数据中的不准确、拼写错误或不需要的内容将在推理时由模型再现。我们用少量的标签工作和一些反应多样性的损失来换取质量控制。更具体地说，预先训练的语言模型编码会话上下文，我们微调分类头以将编码的会话上下文映射到响应类，其中每个类是一组可互换的响应的噪声标记。专家可以随着时间的推移更新这些样本响应，而无需重新训练分类器或使旧的训练数据无效。专家对775个看不见的医生/病人对话的评估显示，只有12%的判别模型的反应比医生最终写的更差，而生成模型的反应比医生最终写的更差的比例为18%。
2019-11-16 cs.AI cs.CL cs.LG
Controlling Long-Horizon Behavior in Language Model Agents with Explicit State Dynamics
本文提出通过显式情感动力学控制语言模型代理的长周期行为，通过引入持续的情感状态并结合一阶和二阶更新规则，提升对话的连贯性和响应稳定性。
2026-01-22 cs.AI cs.CL
Injecting Salesperson's Dialogue Strategies in Large Language Models with Chain-of-Thought Reasoning
National Taiwan University（台湾大学）
本文提出改进数据集SalesBot 2.0及基于思维链推理的新模型SalesAgent，通过策略性提示注入大语言模型常识与销售人员对话策略，有效提升了话题转换、意图理解与策略选择能力，增强了销售对话的连贯性与自然度。
2024-04-29 cs.AI cs.CL
Commonsense-Aware Prompting for Controllable Empathetic Dialogue Generation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提高预训练的语言模型的情感意识是对话生成任务的一个新兴的重要问题。虽然先前的研究已经介绍了提高移情对话生成的方法，但很少有人讨论如何将常识知识结合到预先训练的语言模型中以用于可控对话生成。在这项研究中，我们提出了一个新的框架，提高移情对话生成使用预先训练的语言模型1）通过即时言语化结合常识知识，和2）控制对话生成使用策略驱动的未来会话。我们进行了实验，揭示了社会常识知识的纳入和执法控制的生成有助于提高生成性能。最后，我们讨论了我们的研究对未来研究的影响。
2023-02-02 cs.CL cs.LG
Exploring and Controlling Diversity in LLM-Agent Conversation
The University of Tokyo（东京大学）
针对LLM智能体长期模拟中对话多样性下降的问题，提出基于注意力得分的自适应提示词剪枝方法APP，可通过单参数λ灵活调控对话多样性，兼容现有方法，并揭示了提示词各组件对多样性的影响规律。
2025-10-01 cs.AI cs.CL
Who Speaks Next? Multi-party AI Discussion Leveraging the Systematics of Turn-taking in Murder Mystery Games
School of Engineering, Utsunomiya University（宇都宫大学工学院）
本研究针对多智能体对话控制难题，提出融合会话相邻对选择与内部状态自选机制的Murder Mystery Agents框架，经剧本杀场景验证可减少对话中断、提升推理与信息共享能力，为多智能体对话系统设计提供参考。
2025-02-21 cs.AI cs.CL
Dialogue as Discourse: Controlling Global Properties of Scripted Dialogue
本文解释了为什么脚本对话与话语有一些重要的共同点。特别地，当脚本对话由自然语言生成系统生成时，生成器可以应用当对话由自主智能体之间的交互产生时通常不能使用的修正策略（即，当对话没有脚本时）。本文解释了相关的修订运营商最好适用于一个对话计划的水平，并讨论了如何发电机可能会决定何时应用给定的修订运营商。
2003-12-22 cs.AI cs.CL
NormGenesis: Multicultural Dialogue Generation via Exemplar-Guided Social Norm Modeling and Violation Recovery
NormGenesis通过实例引导的社会规范建模与违反恢复，实现多文化对话生成，提升对话自然度和文化适应性。
2026-03-12 cs.CL
Consolidating Strategies for Countering Hate Speech Using Persuasive Dialogues
State University of New York at Buffalo（纽约州立大学布法罗分校）
本文提出利用Walton论证方案、反驳言语行为和人格特质等可控特征生成反驳仇恨言论的说服性对话策略，并通过自动与人工评估确定最佳特征组合。
2024-01-15 cs.AI cs.CL
Enforcing Narrative Reliability and Epistemic Pacing in LLM-Driven Detective Games via Structured Knowledge Trees
University of Calgary（卡尔加里大学）
本研究提出结构化知识树与三智能体LLM流水线，在侦探游戏中减少64.78%关键幻觉并完全防止过早披露，确保叙事可靠性与认知节奏。
2026-09-22 cs.AI cs.CL
Letting Tutor Personas Speak Up for LLMs: Learning Steering Vectors from Dialogue via Preference Optimization
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）；Eedi
本文提出使用偏好优化训练引导向量，从人类导师-学生对话中提取导师角色信息，以控制大语言模型的行为，实现多样化的教学风格。
2026-06-01 cs.CL
NeMo Guardrails: A Toolkit for Controllable and Safe LLM Applications with Programmable Rails
NVIDIA（英伟达）
本文介绍NeMo Guardrails，一个开源工具包，通过可编程护栏控制LLM输出，实现可控且安全的对话系统，并验证其与多个LLM提供商的兼容性。
2023-10-16 cs.AI cs.CL
Controlling Extra-Textual Attributes about Dialogue Participants -- A Case Study of English-to-Polish Neural Machine Translation
University of Sheffield（谢菲尔德大学）
与英语不同，形态丰富的语言可以通过代词、词的形态结尾和句法来揭示说话者或其对话伙伴的特征，如性别和数量。当从英语翻译到这些语言时，机器翻译模型需要选择对文本上下文的某种解释，如果文本外信息不可用，则可能导致严重的翻译错误。我们在英语到波兰语方向调查这一挑战。我们专注于利用外部元数据在电视对话的自动翻译的研究不足的问题，提出了一个案例研究，在一个多属性的情况下，广泛的方法来控制翻译中的属性。最好的模型实现了+5.81 chrF++/+6.03 BLEU的改进，其他模型实现了具有竞争力的性能。我们还贡献了一个新的属性注释数据集的波兰电视对话和形态分析脚本用于评估模型中的属性控制。
2022-05-30 cs.AI cs.CL
Language Model Detoxification in Dialogue with Contextualized Stance Control
University of California, Santa Barbara（加州大学圣巴巴拉分校）
为了减少预训练的语言模型（LM）中的毒性退化，以前关于语言模型解毒的工作集中于在不考虑上下文的情况下减少生成本身的毒性（自毒性）。因此，一种隐含的攻击性语言被忽略了，在这种语言中，世代支持上下文中的攻击性语言。不同于LM控制任务在以前的工作中，其中所需的属性是固定的生成，所需的立场的生成依赖于攻击性的上下文。因此，我们提出了一种新的控制方法来做上下文相关的解毒考虑的立场。我们引入Meta前缀来学习上下文化的姿态控制策略，并根据输入的上下文生成姿态控制前缀。然后将生成的姿态前缀与毒性控制前缀组合以指导响应生成。实验结果表明，我们提出的方法可以有效地学习上下文相关的姿态控制策略，同时保持低自毒性的底层LM。
2023-01-25 cs.CL cs.LG
Training-Free Time Series Classification via In-Context Reasoning with LLM Agents
Rice University（Rice大学）
本文提出FETA框架，利用上下文推理实现无需训练的时间序列分类，通过多代理结构提升效率和可解释性，在多个数据集上取得优异性能。
2026-04-30 cs.AI
Can LLMs Generate High-Quality Task-Specific Conversations?
本文提出一个参数化框架，通过六个维度上的九个关键参数控制LLM对话质量，实验证明其产生显著差异，并解决了主题连贯性等挑战，为教育、治疗等领域提供标准化控制方法。
2025-08-04 cs.AI cs.CL
Controlling risks of AI in chemical science with agents
University of Science and Technology of China（中国科学技术大学）；Microsoft Research（微软研究院）；Nanyang Technological University（南洋理工大学）
本文针对化学科学中AI滥用风险，提出基于智能体的防护措施SciGuard，并引入SciMT基准评估安全与效用，实现高安全性且不损科学性能。
2026-09-22 cs.AI
Understanding and Improving the Exemplar-based Generation for Open-domain Conversation
Hyperconnect
基于范例的开放域会话生成模型基于检索者提供的范例生成响应，利用生成模型和检索模型。然而，他们经常忽略检索到的样本，而产生的反应或产生的反应过度拟合检索到的样本。在本文中，我们认为，这些缺点是来自一对多的问题的开放域会话。当检索到的样本与给定上下文相关但与黄金响应显著不同时，基于样本的生成模型被训练为忽略样本，因为样本对于生成黄金响应没有帮助。另一方面，当检索到的样例在词汇上与gold响应相似时，生成模型被训练为高度依赖样例。因此，我们提出了一种训练方法，选择语义相关的黄金响应，但词汇距离黄金响应，以减轻上述缺点的样本。在训练阶段，我们提出的训练方法首先使用黄金响应而不是对话上下文作为查询，以选择与黄金响应语义相关的范例。然后，它消除了词汇上类似于黄金反应的范例，以减轻生成模型对该范例的依赖。剩余的样本可能与给定的上下文无关，因为它们是根据黄金响应搜索的。因此，我们提出的训练方法进一步利用给定的上下文和样本之间的相关性分数来惩罚不相关的样本。大量的实验表明，我们提出的训练方法弥补了现有的基于范例的生成模型的缺点，并显着提高了性能的适当性和信息量。
2021-12-13 cs.AI cs.CL
Controlling Style in Generated Dialogue
Facebook AI Research（Facebook人工智能研究（Facebook AI Research））
开放域会话模型已经擅长生成听起来自然的对话，使用具有数十亿可训练参数的非常大的架构。训练这些架构所需的大量训练数据聚集了许多不同的风格、色调和质量。使用该数据来训练单个模型使得难以将该模型用作一致的会话代理，例如，具有稳定的人物特征集和典型的表达风格。已经提出了几种体系结构，提供控制机制的生成体系结构，每一个都有不同的权衡。然而，目前还不清楚它们在对话中的使用是否可行，以及最新的最先进的对话架构的权衡是什么。在这项工作中，我们适应三个先前提出的可控生成架构，以开放域的对话生成，控制风格的一代，以匹配约200种可能的风格之一。我们比较了它们各自的性能和权衡，并展示了它们如何用于提供对现有会话数据集的见解，并生成一组不同风格的会话回复。
2020-09-22 cs.CL
RENDER: Controlling Reader-Facing Evidence in LLM Memory Evaluation
University of Waterloo（滑铁卢大学）；Stanford University（斯坦福大学）
RENDER是控制LLM记忆评估中面向读者证据的基准，实验显示其相关数据包比原始对话表现更优，效果可迁移，提示需关注评估中的读者面向人工制品。
2026-08-26 cs.AI
SparsePO: Controlling Preference Alignment of LLMs via Sparse Token Masks
Huawei Noah’s Ark Lab（华为诺亚实验室）；University College London（伦敦大学学院）
SparsePO 提出了一种灵活的偏好优化目标，通过自动学习稀疏 token 掩码来动态加权 KL 散度和奖励，在摘要和对话场景中分别提升 +10% 和 +3% 胜率，同时保持模型推理和响应质量。
2025-10-31 cs.AI cs.CL cs.LG
Classification As Decoder: Trading Flexibility For Control In Neural Dialogue
Curai
生成式seq 2seq对话系统被训练来预测已经发生的对话中的下一个单词。他们可以从大型未标记的对话数据集中学习，深入了解对话上下文，并生成各种各样的响应。这种灵活性以控制为代价。训练数据中不需要的响应将在推理时由模型再现，并且较长的代通常没有意义。我们训练一个分类器从预定义的完整响应列表中进行选择，而不是一次生成一个单词的响应。分类器在（会话上下文，响应类）对上进行训练，其中每个响应类是一组可互换的噪声标记响应。在推理时，我们生成与预测的响应类相关联的样例响应。专家可以随着时间的推移编辑和改进这些样本响应，而无需重新训练分类器或使旧的训练数据无效。对775次看不见的医生/患者对话的人类评估表明，这种权衡改善了反应。在相同的对话背景下，只有12%的区别性方法的反应比医生的反应更差，而生成模型的这一比例为18%。在没有对响应类别进行任何手动标记的情况下训练的判别模型实现了与生成模型相同的性能。
2019-10-17 cs.CL cs.LG
Criterion Validity of LLM-as-Judge for Business Outcomes in Conversational Commerce
本文通过两项研究探讨了LLM作为评判者在对话商业结果中的标准效度，发现评价维度和权重设计影响显著，需通过转换驱动的重新加权来改进。
2026-03-11 cs.AI cs.CL
Data Distillation for Controlling Specificity in Dialogue Generation
Stanford University（斯坦福大学）
人们在不同的情况下说话的具体程度不同。取决于他们的知识、对话者、情绪等。会话代理应该具有这种能力，并且知道什么时候应该具体，什么时候应该笼统。我们提出了一种方法，使一个神经网络-基于会话代理这种能力。我们的方法涉及在\emph{data distillation}和模型训练之间交替：删除与上一轮训练的模型最常产生的响应最接近的训练样本，然后在剩余数据集上重新训练模型。用不同程度的数据提炼训练的对话生成模型表现出不同程度的特异性。然后，我们训练一个强化学习系统，用于在这个生成模型池中进行选择，为给定的输入选择最佳的特异性水平。与未经蒸馏训练的原始生成模型相比，除了根据上下文适当调整特异性外，所提出的系统还能够生成更有趣和更高质量的响应。我们的研究构成了更广泛方法的一个具体案例，该方法涉及从单个数据集训练多个子系统，这些数据集通过希望建模的特定属性的差异来区分。我们表明，从这样一组子系统，可以使用强化学习来构建一个系统，在测试时将其输出量身定制为不同的输入上下文。
2017-02-22 cs.CL
When to Talk: Chatbot Controls the Timing of Talking during Multi-turn Open-domain Dialogue Generation
Beijing Institute of Technology（北京理工大学）
尽管多回合开放域对话系统已经引起了越来越多的关注并取得了很大的进展，但是现有的对话系统仍然非常枯燥。几乎所有现有的对话模型只提供一个响应时，用户的话语被接受。但在日常对话中，人们总是根据上下文来决定是否继续说出一句话。Intuelance是一种可以根据对话上下文自主控制说话时机的对话模型，可以更自然地与人类聊天。在本文中，我们探讨了对话系统，自动控制的谈话过程中的时间。具体来说，我们采用现有的对话模型的决策模块。此外，有效地建模会话上下文是非常重要的控制说话的时机。因此我们也采用图神经网络来处理具有自然图结构的上下文。在两个基准测试上的大量实验表明，控制说话的时间可以有效地提高对话生成的质量，所提出的方法显著提高了说话时间的准确性。此外，我们已经公开发布了我们提出的模型的代码。
2019-12-20 cs.CL
Controlling Personality Style in Dialogue with Zero-Shot Prompt-Based Learning
University of California, Santa Cruz（加州大学圣克鲁兹分校）
基于上下文的上下文学习在许多自然语言生成（NLG）任务上实现了高zero-shot性能。在这里，我们探讨的性能，同时控制的个性和语义准确性的NLG任务为导向的对话，基于任务的学习。我们在PERSONAGE餐厅推荐语料库上进行了基于语义的学习实验，以生成5种不同的Big-5人格类型的语义和风格控制文本：令人愉快的，不愉快的，认真的，不认真的和外向的。我们测试了两种不同类别的离散提示，以生成特定个性风格的话语：（1）提示，演示直接从包括个性规范的含义表示生成;（2）提示，依赖于首先将含义表示转换为文本伪引用，然后在文本风格转换（TST）提示中使用伪引用。在每种情况下，我们表明，我们可以大大提高性能，通过过度生成输出和排名，测试几个排名功能的基础上自动度量语义准确性，个性匹配，和流畅性。我们还测试是否NLG的个性演示从餐厅域可以使用的意义表示的视频游戏域生成个性风格化的话语有关的视频游戏。我们的研究结果表明，TST提示产生了最高的语义准确性（78.46%的餐厅和87.6%的视频游戏）和个性准确性（100%的餐厅和97%的视频游戏）。我们在将个性风格转移到视频游戏话语上的结果令人惊讶地好。据我们所知，有没有以前的工作测试的应用程序的基于语义的学习，同时控制风格和语义的准确性在NLG。
2023-02-08 cs.CL
Long-term Control for Dialogue Generation: Methods and Evaluation
ASAPP；Cornell（康奈尔大学）
当前用于控制对话响应生成的方法主要集中在诸如风格、情感或主题的高级属性上。在这项工作中，我们专注于受约束的长期对话生成，这涉及到更细粒度的控制，并需要一组给定的控制词出现在生成的响应。这种设置需要一个模型，不仅要考虑这些控制词在当前上下文中的生成，而且还要产生在（可能是遥远的）未来某个时间鼓励生成这些词的话语。我们定义的问题，约束的长期控制对话生成，确定目前的评估方法的差距，并提出新的指标，更好地衡量长期控制。我们还提出了一种检索增强的方法，通过logit修改技术，提高长期控制发电的性能。我们通过对三个面向任务的对话数据集的实验表明，我们的指标更好地评估对话控制相对于当前的替代方案，我们的方法优于最先进的约束生成基线。
2022-05-15 cs.AI cs.CL
User-Controlled Knowledge Fusion in Large Language Models: Balancing Creativity and Hallucination
SenseTime NLP（商汤科技自然语言处理部门）
本文提出一种用户可控机制，通过在LLMs微调阶段引入基于ROUGE、Sentence-BERT和自评估计算的忠实度数值标签，使用户能在推理时控制模型对外部知识的依赖，从而平衡创造性与幻觉。
2023-07-30 cs.AI cs.CL cs.LG
An Adversarial Approach to High-Quality, Sentiment-Controlled Neural Dialogue Generation
Language Technologies Institute（语言技术研究所）；Carnegie Mellon University（卡内基梅隆大学）
在这项工作中，我们提出了一种神经对话响应生成的方法，它不仅允许根据对话历史生成语义合理的响应，而且还可以通过情感标签明确控制响应的情感。我们提出的模型是基于有条件对抗学习的范式;情感控制对话生成器的训练由对抗性学习辅助，该学习评估从对话历史和给定情感标签生成的响应的流畅性和可行性。由于我们的框架的灵活性，生成器可以是标准的序列到序列（SEQ 2 SEQ）模型或更复杂的一个，如条件变分自编码器为基础的SEQ 2 SEQ模型。使用自动和人类评价的实验结果都表明，我们提出的框架是能够生成语义合理和情感控制的对话响应。
2019-01-22 cs.CL
Semantic Space Grounded Weighted Decoding for Multi-Attribute Controllable Dialogue Generation
Shanghai Jiao Tong University（上海交通大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）
针对多属性可控对话生成研究不足的问题，提出DASC框架，采用加权解码结合属性语义空间锚定，通过属性嵌入插值实现多属性控制并缩减模型规模，实验验证其在3属性控制及分布外场景下的高准确率与生成质量。
2023-11-05 cs.CL
DialGuide: Aligning Dialogue Model Behavior with Developer Guidelines
Carnegie Mellon University（卡内基梅隆大学）；Amazon Alexa AI（亚马逊Alexa人工智能部门）
针对对话模型难以控制且可能产生不安全结果的问题，提出DialGuide框架，利用自然语言指南控制对话模型行为，在闲聊和安全领域构建数据集并验证了其有效性。
2023-05-21 cs.CL
Controlling Personality-Based Stylistic Variation with Neural Natural Language Generators
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）；U.S. Army Research Laboratory（美国陆军研究实验室）
面向任务对话的自然语言生成器必须有效地实现系统对话动作及其相关语义。在许多应用中，还期望生成器控制话语的风格。迄今为止，面向任务的神经生成的工作主要集中在语义保真度，而不是实现风格的目标，而风格的工作已经完成的情况下，很难衡量内容的保存。在这里，我们提出了三种不同的序列到序列模型，并仔细测试它们如何区分内容和风格。我们使用统计生成器Personage来合成一个新的语料库，该语料库包含超过88，000个餐馆领域的话语，这些话语的风格根据个性模型而变化，从而使我们能够完全控制训练数据中的语义内容和风格变化。然后，我们改变了明确的文体监督的三种模式。我们表明，我们最显式的模型可以同时实现高保真的语义和风格的目标：该模型增加了一个上下文向量的36个风格参数作为输入的隐藏状态的编码器在每个时间步，显示显式风格的监督的好处，即使当训练数据量很大。
2018-05-22 cs.CL
Unstructured Text Enhanced Open-domain Dialogue System: A Systematic Survey
Harbin Institute of Technology（哈尔滨工业大学）；Research Center for Social Computing and Information Retrieval（社会计算与信息检索研究中心）
本文系统性综述了以非结构化文本作为外部知识源的开放域对话系统（UTEDS），定义了相关概念，总结了数据集与模型，将其分为检索与生成模型并剖析组件，探讨了评估方法与未来趋势。
2024-11-14 cs.CL
Instructional Goal-Aligned Question Generation for Student Evaluation in Virtual Lab Settings: How Closely Do LLMs Actually Align?
Department of EdPsych, University of Wisconsin-Madison（威斯康星大学麦迪逊分校教育心理学系）；Department of CS, Wichita State University（威斯康星州立大学Wichita分校计算机科学系）；Department of CSSE, Auburn University（阿伯茨罕大学计算机科学与工程系）
本文提出一个用于虚拟实验室中教学目标对齐问题生成的框架，整合目标理解、实验理解、问题分类法和 TELeR 提示控制，经 19 个开源 LLM 评估，显著提升问题质量与格式遵循度。
2025-10-07 cs.CL
TiCo: Time-Controllable Spoken Dialogue Model
MIT（麻省理工学院）；NTU（国立台湾大学）；NTU AI-CoRE（国立台湾大学AI-CoRE）
TiCo是一种能遵循时间约束指令生成可控时长语音响应的对话模型，通过引入时间标记器提升对时间的感知能力，有效减少响应时长误差。
2026-05-13 cs.AI cs.CL eess.AS
Maximizing Stylistic Control and Semantic Accuracy in NLG: Personality Variation and Discourse Contrast
Natural Language and Dialogue Systems Lab（自然语言与对话系统实验室）；University of California Santa Cruz（加州大学圣克鲁兹分校）
用于面向任务的对话的神经生成方法通常从使用域信息的数据库（诸如描述餐馆的数据表）填充的意义表示生成。虽然早期的工作只集中在输出的语义保真度，最近的工作已经开始探索控制生成的文本的风格，同时实现语义准确性的方法。在这里，我们用两个文体基准任务进行实验，生成表现出个性变化的语言，并生成话语对比。我们报告了一个巨大的性能改进，无论是在风格控制和语义准确性的最先进的这两个基准。我们测试了几个不同的模型，并表明，在解码器中加入风格条件反射并消除早期模型中使用的语义重排序器，可以使人格的BLEU提高15分以上，语义错误减少到接近零。我们还报告了控制对比度从0.75提高到0.81，语义错误从16%减少到2%。
2019-07-22 cs.AI cs.CL cs.LG
Mix-Initiative Response Generation with Dynamic Prefix Tuning
Beijing Institute of Technology（北京理工大学）；Singapore Management University（新加坡管理大学）
针对对话系统因不区分主导权导致的交叉污染问题，提出混合主导权动态前缀微调框架IDPT，通过解耦主导权因素并利用注意力机制动态调整选择，在监督和无监督设置下学习主导权感知前缀，在自动指标和人工评估上均优于基线。
2024-03-27 cs.CL
