CSAGN: Conversational Structure Aware Graph Network for Conversational Semantic Role Labeling
City University of Hong Kong Shenzhen Research Institute(香港城市大学深圳研究院);City University of Hong Kong(香港城市大学);Tencent AI Lab(腾讯AI Lab)
会话语义角色标注被认为是实现对话理解的关键步骤。然而,它仍然是一个主要的挑战,现有的CSRL解析器处理会话结构信息。在本文中,我们提出了一个简单而有效的架构CSRL,旨在解决这个问题。我们的模型是基于一个会话结构感知图网络显式编码的扬声器相关信息。我们还提出了一个多任务学习方法,以进一步改善模型。在基准数据集上的实验结果表明,我们提出的训练目标的模型显着优于以前的基线。
2021-11-04 cs.AI cs.CL cs.LG
Representation of perceived prosodic similarity of conversational feedback
KTH Royal Institute of Technology(皇家理工学院)
本研究探究词汇形式相同的语音反馈的感知韵律相似性及现有语音表征的反映程度,通过三元比较任务实验发现频谱和自监督语音表征的韵律编码效果优于基频特征,且可通过对比学习优化表征与人类感知的对齐。
2025-05-19 cs.AI cs.CL cs.LG
SaFeRDialogues: Taking Feedback Gracefully after Conversational Safety Failures
Facebook AI Research(脸书人工智能研究院)
当前的开放域会话模型很容易以不适当的方式进行交谈。从对话伙伴给出的对话反馈中进行在线学习是模型改进和适应的有希望的途径,以便产生更少的这些安全故障。然而,目前最先进的模型往往会对反馈做出防御性或遗忘性的反应。这会造成不愉快的体验,并且可能会阻止对话伙伴在未来提供反馈。这项工作提出了SaFeRDialogues,一个任务和数据集的优雅的会话反馈有关安全故障的反应。我们收集了一个包含10k个对话的数据集,这些对话展示了安全故障、反馈信号以及确认反馈的响应。我们展示了如何对这个数据集进行微调,从而使人类评分员认为更有可能导致文明对话,而不会牺牲友好性或一般对话能力。
2022-05-05 cs.AI cs.CL
Context-Aware Sequence-to-Sequence Models for Conversational Systems
Norwegian University of Science and Technology(挪威科技大学)
这项工作提出了一种新的方法,基于序列到序列(seq2seq)模型的上下文感知会话系统。现有的seq2seq模型已被证明是好的,在数据驱动的会话系统中产生自然的反应。然而,他们仍然缺乏机制,以纳入以前的谈话轮流。我们研究了基于RNN的方法,这些方法有效地将先前的回合作为生成响应的上下文。总体而言,我们的实验结果基于人类的判断证明了所提出的方法的可行性和有效性。
2018-05-22 cs.AI cs.CL
SYNDICOM: Improving Conversational Commonsense with Error-Injection and Natural Language Feedback
Georgia Institute of Technology(佐治亚理工学院)
SYNDICOM通过构建含无效响应及自然语言反馈的常识对话数据集,并采用先预测反馈再条件生成响应的两步训练方法,在不使用强化学习的情况下显著提升了对话系统的常识推理能力,在ROUGE1上比ChatGPT相对提升53%。
2023-09-18 cs.AI cs.CL cs.LG
Towards Building Economic Models of Conversational Search
University of Strathclyde(思克莱德大学);University of Amsterdam(阿姆斯特丹大学)
在文献中已经提出了各种概念和描述性的对话式搜索模型-虽然有用,但它们并没有提供对代理和用户之间的交互如何根据不同交互的成本和收益而变化的见解。在本文中,我们开发了两个经济模型的会话搜索模式的基础上,以前观察到的会话搜索会话,我们称之为:反馈第一,代理人问澄清问题,然后提出的结果,反馈后,代理人提出的结果,然后问后续问题。我们的模型表明,给出/请求的反馈量取决于其在提高初始或后续查询的效率和提供所述反馈的相对成本。这个对话式搜索的理论框架提供了一些见解,可以用来指导和通知对话式搜索代理的发展。然而,需要实证工作来估计参数,以便针对给定的会话搜索设置进行预测。
2022-01-21 cs.AI cs.CL cs.IR
ChatGPT for Conversational Recommendation: Refining Recommendations by Reprompting with Feedback
University of Louisville(路易斯维尔大学);Microsoft(微软)
本文研究了ChatGPT作为top-n对话式推荐系统的有效性,通过构建带反馈的重新提示流水线来精炼推荐结果,发现该策略能有效提升推荐相关性并缓解流行度偏差。
2024-01-07 cs.AI cs.CL cs.IR
Improving Conversational Question Answering Systems after Deployment using Feedback-Weighted Learning
University of the Basque Country (UPV/EHU)(巴斯克地区大学(UPV/EHU));New York University (NYU)(纽约大学(NYU))
会话系统与用户的交互为部署后的改进提供了一个令人兴奋的机会,但几乎没有证据表明其可行性。在大多数应用程序中,用户无法向系统提供正确的答案,但他们能够提供二进制(正确,不正确)反馈。在本文中,我们提出了反馈加权学习的基础上重要性采样,以改善初始监督系统使用二进制用户反馈。我们对文档分类(用于开发)和会话问答数据集(如QuAC和DoQA)进行模拟实验,其中二进制用户反馈来自黄金注释。结果表明,我们的方法能够改进初始监督系统,接近完全监督系统,在域内实验(QuAC)中可以访问相同的标记示例,甚至在域外实验(DoQA)中进行匹配。我们的工作开辟了利用与真实用户的交互并在部署后改进会话系统的前景。
2020-11-01 cs.CL
Not All or None: Dynamic Construction of Target-aware Memory Graph for Conversational Stance Detection
The Chinese University of Hong Kong(香港中文大学);The Hong Kong Polytechnic University(香港理工大学);Harbin Institute of Technology(哈尔滨工业大学)
针对对话式立场检测中历史对话信息利用的噪声问题,提出目标感知记忆图TamGraph,通过熵引导回溯机制动态构建目标感知图,提升LLM在该任务上的性能。
2026-09-01 cs.AI cs.CL
Discern: Discourse-Aware Entailment Reasoning Network for Conversational Machine Reading
The Chinese University of Hong Kong(香港中文大学);Salesforce Research(Salesforce研究院);Nanyang Technological University(南洋理工大学)
文档解释和对话理解是对话式机器阅读的两个主要挑战。在这项工作中,我们提出了Discern,一个话语感知的蕴涵推理网络,以加强连接,提高对文档和对话的理解。具体来说,我们使用预先训练的话语分割模型将文档分割成子句式的基本话语单元(EDU),并且我们以弱监督的方式训练我们的模型来预测每个EDU是否由会话中的用户反馈所涉及。基于所学习的EDU和蕴涵表示,我们要么向用户回复我们对初始问题的最终决定“是/否/不相关”,要么生成后续问题以询问更多信息。我们在ShARC基准测试(盲测试集)上的实验表明,Discern在决策方面达到了78.3%的宏观平均准确率,在后续问题生成方面达到了64.0 BLEU 1。代码和模型在https://github.com/Yifan-Gao/Discern上发布。
2020-10-16 cs.AI cs.CL cs.LG
A scalable framework for learning from implicit user feedback to improve natural language understanding in large-scale conversational AI systems
自然语言理解(NLU)是对话AI或数字助理系统中的一个既定组件,负责产生对用户请求的语义理解。我们提出了一种可扩展的自动方法,通过利用隐式用户反馈来改善大规模会话AI系统中的NLU,并洞察到用户交互数据和对话上下文具有丰富的嵌入式信息,可以从中推断用户满意度和意图。特别是,我们提出了一个通用的领域不可知框架,用于管理新的监督数据,以改善来自实时生产流量的NLU。通过一组广泛的实验,我们展示了应用该框架和改进大规模生产系统的NLU的结果,并展示了其在10个领域的影响。
2021-09-10 cs.CL
Joint Learning of Context and Feedback Embeddings in Spoken Dialogue
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文提出使用对比学习目标将简短对话上下文与反馈回应嵌入同一表示空间,该方法在美式英语对话的反馈排序任务中优于人类,且学到的嵌入包含了会话功能信息。
2024-06-11 cs.AI cs.CL cs.LG
daDPO: Distribution-Aware DPO for Distilling Conversational Abilities
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学新型软件技术国家重点实验室);School of Artificial Intelligence, Nanjing University(南京大学人工智能学院);University of Chicago(芝加哥大学);The Chinese University of Hong Kong(香港中文大学);East China Normal University(华东师范大学)
本文提出daDPO,一种结合输出分布与偏好优化的统一蒸馏方法,通过利用教师模型的分布信息,显著提升剪枝及小规模LLM的对话能力,实验表明其优于现有方法。
2025-06-03 cs.AI cs.CL cs.LG
Conversational Feedback in Scripted versus Spontaneous Dialogues: A Comparative Analysis
Norwegian Computing Center(挪威计算中心);CEFC, CNRS, MEAE(CEFC、法国国家科学研究中心、法国欧洲与海外领地部);Aix Marseille Université & CNRS(艾克斯-马赛大学、法国国家科学研究中心);Faculty of Linguistics and Literary Studies, Bielefeld University(比勒费尔德大学语言与文学学院)
本文通过八种语言对话数据比较脚本字幕与自发对话中的交际反馈,发现字幕反馈更少且负面反馈更多,并指出大语言模型生成的对话在反馈特征上更接近脚本对话。
2024-10-03 cs.CL
MTPChat: A Multimodal Time-Aware Persona Dataset for Conversational Agents
University of Technology Sydney(悉尼科技大学);University of Liverpool(利物浦大学)
针对对话智能体时间感知角色对话数据集有限的问题,提出多模态时间感知角色对话数据集MTPChat,设计两个时间敏感任务,并提出含自适应时间模块的框架,验证了数据集的挑战性和框架的有效性。
2025-02-09 cs.AI cs.CL
Beyond Task-Oriented and Chitchat Dialogues: Proactive and Transition-Aware Conversational Agents
Hanyang University(汉阳大学);Hyundai Motor Company(现代汽车公司)
针对任务型对话与闲聊融合不足的问题,本研究提出支持双向模式切换的TACT数据集及两个新评估指标,结合DPO训练的模型在相关任务上表现优异,推动了具备主动性与转换感知能力的对话智能体研发。
2025-11-11 cs.AI cs.CL
Building and curating conversational corpora for diversity-aware language science and technology
Radboud University(拉德堡德大学);Centre for Language Studies(语言研究中心)
我们提出了一个分析管道和最佳实践指南,用于构建和策划不同语言的日常对话语料库。调查语言文档语料库和其他资源,涵盖67种语言和品种,从28门,我们描述了编译和策展过程,指定最小的属性的统一格式的international数据,并开发质量控制的方法,考虑到轮流和时间。两个案例研究显示了会话数据在以下方面的广泛用途:(i)绘制人类交互基础设施;(ii)跟踪当前ASR解决方案的挑战和机遇。语言多样性的会话语料库可以为语言科学提供新的见解,为语言技术提供更强的经验基础。
2022-05-10 cs.CL
Conversational Task Disambiguation over Tabular Data: Leakage-Aware Formulation, Benchmark Suite, and Training
Layer 6 AI
该研究针对表格数据的对话式任务歧义消除,提出感知泄漏的框架,构建AmbiTab基准套件,用强化学习训练提问策略,提升了歧义消除指标与任务成功度,还可诊断神谕泄漏。
2026-10-09 cs.AI cs.CL cs.LG
Building Trust in Conversational AI: A Comprehensive Review and Solution Architecture for Explainable, Privacy-Aware Systems using LLMs and Knowledge Graph
CeADAR - Ireland’s Centre for Applied AI, University College Dublin(爱尔兰应用人工智能中心CeADAR、都柏林大学学院)
本文综述150余个LLM并提出LLMXplorer,进而设计融合知识图谱与LLM、支持RBAC的可解释隐私感知对话式AI架构,经真实AI新闻数据验证。
2023-08-13 cs.AI cs.CL
SA-RAG: Structuring Noisy Conversations for Retrieval-Augmented Generation
UCLA(加州大学洛杉矶分校);NEC Labs(日本电装实验室)
提出结构感知检索增强生成(SA-RAG),通过表格作为中间结构化表示来减少噪声并保留关键信息,结合质量感知的表格元数据生成框架和优化方法,在噪声真实数据集上显著优于现有RAG基线。
2026-11-16 cs.CL cs.LG
Multi-Type Context-Aware Conversational Recommender Systems via Mixture-of-Experts
School of Computer Science and Engineering(计算机科学与工程学院);School of Management Science and Engineering(管理科学与工程学院);School of Computer Science and Technology(计算机科学与技术学院)
本文提出多类型上下文感知对话推荐系统MCCRS,通过专家混合融合知识图谱、对话历史和商品评论,并由ChairBot协调专家输出,实验证明其性能显著优于现有基线。
2025-08-26 cs.AI cs.CL cs.IR
Demonstrating CAT: Synthesizing Data-Aware Conversational Agents for Transactional Databases
Technical University of Darmstadt(达姆施塔特工业大学);LMU Munich(慕尼黑大学)
用于OLTP的数据库通常是酒店客房或电影票预订应用程序等应用程序的主干。然而,开发会话代理(即,类似聊天机器人的界面)以允许终端用户使用自然语言与应用交互,这需要大量的训练数据和NLP专业知识。这激发了CAT,它可以用来轻松地为事务数据库创建会话代理。其主要思想是,对于给定的OLTP数据库,CAT使用弱监督来合成所需的训练数据,以训练最先进的会话代理,允许用户与OLTP数据库交互。此外,CAT还提供了生成的代理与数据库的开箱即用集成。作为现有的会话代理的主要区别,CAT合成的代理是数据感知的。这意味着代理根据数据库中的当前数据分布决定应该向用户请求哪些信息,与非数据感知代理相比,这通常会导致明显更有效的对话。我们将CAT的代码作为开源发布。
2022-03-26 cs.CL cs.DB
History-Aware Conversational Dense Retrieval
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);Renmin University of China(中国人民大学);Beihang University(北京航空航天大学);University of Copenhagen(哥本哈根大学);Beijing Jiaotong University(北京交通大学)
提出历史感知的对话式稠密检索系统,通过上下文去噪查询重构和自动挖掘监督信号,提升长对话及话题转移场景下的历史建模能力。
2024-05-28 cs.CL cs.IR
Conversational Structure Aware and Context Sensitive Topic Model for Online Discussions
Case Western Reserve University(凯斯西储大学)
每天在社交媒体平台上产生数百万次在线讨论。主题建模是更好地理解大规模文本数据集的有效方法。传统的主题模型在在线讨论中取得了有限的成功,为了克服它们的局限性,我们使用讨论线程的树结构,并提出了一个“流行度”的度量来量化评论的回复数量,以扩展单词出现的频率,和“传递性”的概念来表征嵌套的讨论线程中节点之间的主题依赖性。我们建立了一个会话结构感知的主题模型(CSATM)的基础上流行度和传递性推断的主题和他们的评论分配。真实论坛数据集上的实验被用来证明提高性能的主题提取与六个不同的测量的一致性和令人印象深刻的准确性主题分配。
2020-02-06 cs.CL
Identifying High-Confidence Social Biases in LLMs for Trustworthy Conversational Tutoring Agents
University of Hawaii at Manoa(夏威夷大学马诺亚分校)
本研究通过生成对话数据集,评估大型语言模型在辅导场景中检测社会偏见的能力,发现模型在对话上下文中比基准测试更难检测偏见,且对错误判断过度自信,影响推理和反馈。
2026-06-01 cs.AI cs.CL
Speaker-Aware Simulation Improves Conversational Speech Recognition
SpeechTex Ltd.(SpeechTex公司);ELTE Research Centre for Linguistics(ELTE语言学研究中心)
本文提出面向说话人的模拟对话方法,通过生成合成对话数据提升匈牙利语对话语音识别性能。
2026-02-04 cs.CL cs.SD eess.AS
Towards a Sentiment-Aware Conversational Agent
INESC-ID(里斯本系统与计算机工程研究所);Instituto Superior Técnico(高等技术学院);Universidade de Lisboa(里斯本大学);Unbabel(Unbabel公司)
在本文中,我们提出了一个端到端的情感感知会话代理基于两个模型:一个回复情感预测模型,它利用对话的上下文来预测一个适当的情感代理在其回复中表达;和一个文本生成模型,这是有条件的预测的情感和对话的上下文,以产生一个回复,这是上下文和情感适当。此外,我们建议使用情感分类模型来评估模型开发过程中代理所表达的情感。这使我们能够以自动的方式评估代理。自动和人工评估结果都表明,使用预定义的句子集明确指导文本生成模型,无论是在表达的情感还是生成的文本质量方面,都有明显的改善。
2022-07-24 cs.CL
Dialogizer: Context-aware Conversational-QA Dataset Generation from Textual Sources
LG AI Research(LG AI研究院);IPAI, Seoul National University(首尔大学IPAI);Dept. of ECE, Seoul National University(首尔大学电子与计算机工程系);Chung-Ang University(中央大学);SNU-LG AI Research Center(首尔大学-LG AI研究中心)
针对对话式问答数据稀缺问题,提出Dialogizer框架,通过问答匹配和主题感知对话生成两个训练任务及推理重排序,从文本源自动生成高上下文相关性的ConvQA数据集,实验证明其质量优于基线模型。
2023-11-09 cs.AI cs.CL
Improving Conversational Recommender System via Contextual and Time-Aware Modeling with Less Domain-Specific Knowledge
The Chinese University of Hong Kong(香港中文大学);Nanyang Technological University(南洋理工大学);Singapore Management University(新加坡管理大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
会话式推荐系统(CRS)是一个新兴的研究课题,它通过交互式会话进行推荐,通常由生成和推荐模块组成。之前关于CRS的工作往往会融入更多外部和特定领域的知识,例如项目评审,以提高绩效。尽管外部特定领域信息的收集和注释需要大量的人力,并降低了可概括性,但过多的额外知识会增加它们之间平衡的难度。因此,我们建议从上下文中充分发现和提取内部知识。我们捕获实体级和上下文级的表示,以共同建模用户的偏好的建议,其中时间感知的注意力被设计为强调最近出现的项目在实体级表示。我们进一步使用预训练的BART来初始化生成模块,以缓解数据稀缺并增强上下文建模。除了在一个流行的数据集(ReDial)上进行实验外,我们还包括一个多域数据集(OpenDialKG)来展示我们模型的有效性。在两个数据集上的实验表明,我们的模型在大多数评估指标上具有更好的性能,并且具有更少的外部知识,并且可以很好地推广到其他领域。对推荐任务和生成任务的分析表明了该模型在不同场景下的有效性。
2022-09-23 cs.AI cs.CL
ConvCodeWorld: Benchmarking Conversational Code Generation in Reproducible Feedback Environments
Snowflake AI Research(Snowflake AI研究院);Seoul National University(首尔大学)
提出ConvCodeWorld基准,模拟9种交互式代码生成场景并组合编译、执行和语言反馈,评估LLM性能,发现反馈质量显著影响结果,弱模型可借反馈超越强模型单轮表现。
2025-02-27 cs.AI cs.CL cs.SE
Prominence-aware automatic speech recognition for conversational speech
Signal Processing and Speech Communication Laboratory(信号处理与语音通信实验室);Speech Communication Laboratory(语音通信实验室)
本文提出一种结合突显检测的突显感知自动语音识别方法,通过微调wav2vec2模型标注语料并训练新型ASR系统,在不影响识别性能的前提下实现了85.53%的突显检测准确率。
2025-09-12 cs.CL eess.AS
Improving Conversational Recommendation Systems' Quality with Context-Aware Item Meta Information
Columbia University(哥伦比亚大学);University of California, Davis(加州大学戴维斯分校)
会话式推荐系统(CRS)通过从对话历史中推断用户偏好,提供准确的推荐并生成适当的响应来与用户互动。以前的CRS使用基于知识图谱(KG)的推荐模块,并将KG与语言模型集成以用于响应生成。虽然基于KG的方法被证明是有效的,但仍有两个问题有待解决。首先,基于KG的方法忽略了会话背景中的信息,而仅仅依赖于实体关系和词袋来推荐项目。第二,它需要大量的工程工作来维护模型域特定关系的KG,从而导致更少的灵活性。在本文中,我们提出了一个简单而有效的架构,包括一个预先训练的语言模型(PLM)和一个项目元数据编码器。编码器学习将项目元数据映射到可以反映对话上下文中的语义信息的嵌入。然后,PLM将语义对齐的项目嵌入与对话上下文一起使用,以生成高质量的建议和响应。我们的模型不是用KG建模实体关系,而是通过直接将每个项目转换为嵌入来降低工程复杂性。在基准数据集ReDial上的实验结果表明,我们的模型在推荐和响应生成任务上都获得了最先进的结果。
2021-12-15 cs.AI cs.CL cs.IR
Analysing Mixed Initiatives and Search Strategies during Conversational Search
University of Amsterdam(阿姆斯特丹大学);University of Strathclyde(思克莱德大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Microsoft(微软)
用户和会话搜索代理之间的信息搜索会话由多轮交互组成。当用户发起搜索会话时,理想情况下,CSA有时应该通过提供查询建议或要求查询澄清(即混合主动性)来获得用户的反馈,从而在对话中发挥主导作用。这创造了更吸引人的对话搜索的潜力,但由于大的交互空间加上不同交互的成本和收益之间的权衡,大大增加了建模和评估此类场景的复杂性。在本文中,我们提出了一个对话搜索模型-从我们实例化不同的观察到的对话搜索策略,其中代理elections:(i)反馈第一,或(ii)反馈后。使用49个TREC WebTrack主题,我们进行了一项分析,比较这些不同的策略与不同的混合主动方法的结合程度:(i)查询建议与(ii)查询澄清。我们的分析表明,没有优越或占主导地位的组合,相反,它表明,查询澄清是更好的时候问第一,而查询建议是更好的时候,提出结果后。我们还表明,最好的策略和方法取决于查询和反馈之间的相对成本,初始查询的性能,每个查询的评估数量,以及所需的总收益之间的权衡。虽然这项工作突出了分析CSA所涉及的复杂性和挑战,但它为在批处理/离线设置中评估会话策略和会话搜索代理提供了基础。
2021-09-13 cs.CL cs.HC cs.IR
WHAT, WHEN, and HOW to Ground: Designing User Persona-Aware Conversational Agents for Engaging Dialogue
SK Telecom(SK电讯);University of Southern California(南加州大学)
本文针对个性化开放域对话中的 WWH 问题,提出加权数据集混合、负向画像信息增强和响应类型标签等方法,在保持对话流畅性的同时提升 grounded 响应的可控性与可解释性。
2023-07-03 cs.AI cs.CL
TRACE: State-Aware Query Processing over Temporal Evidence Graphs for Conversational Data
Hong Kong Institute of AI for Science, City University of Hong Kong(香港城市大学香港人工智能科学研究院);Independent Researcher(独立研究者);Central South University(中南大学);The Hong Kong Polytechnic University(香港理工大学)
提出TRACE框架,通过构建时间证据图并维护有效性标注,实现对话数据中状态感知的查询处理,提升时间推理和多跳推理能力。
2026-07-02 cs.CL
TANet: Thread-Aware Pretraining for Abstractive Conversational Summarization
Beihang University(北京航空航天大学);Meituan(美团)
虽然预训练的语言模型(PLM)已经取得了巨大的成功,并成为自然语言处理的一个里程碑,抽象的会话摘要仍然是一个具有挑战性的,但研究较少的任务。困难在于两个方面。一是缺乏大规模的会话摘要数据。另一个问题是,将现有的预训练模型应用于这项任务是很棘手的,因为对话中的结构依赖及其非正式表达等,在这项工作中,我们首先基于Reddit社区中的多人讨论构建了一个名为RCS的大规模(11M)预训练数据集。然后,我们提出了TANet,一个线程感知的基于transformer的网络。与现有的将对话视为句子序列的预训练模型不同,我们认为话语之间固有的上下文依赖性在理解整个对话中起着至关重要的作用,因此提出了两种新技术来将结构信息纳入我们的模型。第一种是线索感知注意力,它是通过考虑话语内的上下文依赖性来计算的。其次,我们应用线索预测损失来预测话语之间的关系。我们在四个真实对话的数据集上评估了我们的模型,这些数据集涵盖了会议记录、客户服务记录和论坛线程的类型。实验结果表明,TANET实现了一个新的国家的最先进的自动评估和人类的判断。
2022-04-09 cs.CL
TCDA: Thread-Constrained Discourse-Aware Modeling for Conversational Sentiment Quadruple Analysis
School of Software, Dalian University of Technology(大连理工大学软件学院);School of Data and Computer Science, Sun Yat-sen University(中山大学数据与计算机科学学院)
本文提出TCDA框架,结合线程约束有向无环图和话语感知旋转位置嵌入,解决对话情感四元分析中复杂关系捕捉问题,实验表明其性能优于现有方法。
2026-05-08 cs.AI cs.CL
ConCET: Entity-Aware Topic Classification for Open-Domain Conversational Agents
Emory University(埃默里大学)
在开放域会话系统中识别每个用户话语的主题(域)是所有后续语言理解和响应任务的关键步骤。特别地,对于复杂域,话语通常被路由到负责该域的单个组件。因此,正确地将用户话语映射到正确的域是至关重要的。为了解决这个问题,我们引入了ConCET:一个并发的可信度感知的会话主题分类器,它将实体类型信息与话语内容特征结合在一起。具体来说,ConCET利用实体信息来丰富话语表示,将字符,单词和实体类型嵌入到单个表示中。然而,对于具有数百万个可用实体的丰富域,将需要不切实际的标记训练数据量。为了补充我们的模型,我们提出了一个简单而有效的方法,用于生成合成训练数据,以增加通常有限数量的标记训练数据,使用常用的知识库,以生成额外的标记话语。我们首先在一个名为Self-Dialogue的公开可用的人与人对话数据集上广泛评估ConCET和我们提出的训练方法,以根据以前最先进的方法校准我们的方法;其次,我们在与真实用户进行人机对话的大型数据集上评估ConCET,作为Amazon Alexa Prize的一部分收集。我们的研究结果表明,ConCET显著提高了两个数据集上的主题分类性能,包括比最先进的深度学习方法提高了8-10%。我们补充我们的定量结果与系统性能的详细分析,这可用于进一步改进的会话代理。
2020-05-28 cs.CL
RALI@iKAT 2026: Retrieval-aware User Profile Denoising via Personalized Conversational Dense Retrieval
Université de Montréal(蒙特利尔大学)
针对对话式信息访问系统的用户画像噪声问题,提出PCDR方法,仅需少量个性化标注即可训练,在iKAT 2026任务中作为核心检索组件,助力对话智能体服务复杂信息需求用户。
2026-10-14 cs.CL cs.IR
Optimizing Conversational Quality in Spoken Dialogue Systems with Reinforcement Learning from AI Feedback
Carnegie Mellon University(卡内基梅隆大学);Sony Group Corporation(索尼集团)
本文提出多奖励RLAIF框架,通过结合语义、音频质量和情感一致性奖励,提升语音对话系统的对话质量。
2026-01-27 cs.CL cs.SD
Personality-aware Student Simulation for Conversational Intelligent Tutoring Systems
Nanyang Technological University, Singapore(南洋理工大学,新加坡);Institute for Infocomm Research (I 2 R), A*STAR, Singapore(信息与通信研究机构(I2R),A*STAR,新加坡)
本文提出一个整合认知与非认知特征的框架,利用LLMs在语言学习场景中进行个性化感知的学生模拟,实验证明其能生成多样化学生反应并触发教师自适应策略。
2025-05-28 cs.CL cs.HC
NaRLE: Natural Language Models using Reinforcement Learning with Emotion Feedback
Microsoft(微软)
当前对话系统的研究主要集中在面向任务或开放域环境下的短对话上。在本文中,我们专注于在线改进基于任务的会话助理,主要是那些从事文档类型会话的助理(例如,电子邮件),其内容可能与助理的任务完全相关,也可能不完全相关。我们提出了“NARLE”一个深度强化学习(RL)框架,用于在线改进对话系统的自然语言理解(NLU)组件,而无需为客户数据收集人类标签。所提出的解决方案将用户情感与助理的动作相关联,并使用该情感来使用策略梯度改进NLU模型。对于两个意图分类问题,我们的经验表明,使用强化学习微调预训练的监督学习模型,提高性能高达43%。此外,我们证明了部分和噪声隐式反馈的方法的鲁棒性。
2021-10-05 cs.CL cs.LG
Knowledge-Aware Conversational Semantic Parsing Over Web Tables
Microsoft Research Asia(微软亚洲研究院);Harbin Institute of Technology(哈尔滨工业大学);Peking University(北京大学)
基于表的会话式语义解析需要知识获取和推理能力,而这一点目前还没有得到很好的解决。出于这一事实,我们提出了一个知识感知的语义分析器,以提高分析性能,通过整合各种类型的知识。在本文中,我们考虑了三种类型的知识,包括语法知识,专家知识和外部资源知识。首先,语法知识使模型能够有效地复制先前生成的逻辑形式,从而有效地处理会话中的共指和省略现象。其次,基于专家知识,我们提出了一种可分解的模型,与传统的端到端模型相比,该模型更可控,将所有的学习负担都放在端到端的试错中。第三,外部资源知识,即,由预训练的语言模型或实体类型模型提供的,用于改进问题和表格的表示,以获得更好的语义理解。我们在SequentialQA数据集上进行实验。结果表明,我们的知识感知模型优于国家的最先进的方法。增量实验结果也证明了各种知识的有用性。进一步的分析表明,我们的方法有能力获得的意义表示的上下文相关的话语,利用先前生成的结果。
2018-09-12 cs.CL
Teaching Language Models How to Code Like Learners: Conversational Serialization for Student Simulation
本文提出通过对话序列化技术,直接从真实学生编程过程数据训练开放权重的人工编程学习者,提升模型在调试行为模拟中的能力。
2026-05-13 cs.AI cs.CL cs.CY
Learning User-Aware Recall: Personalized Retrieval in Long-Term Conversational Memory
Baidu Inc.(百度公司);The University of Queensland(昆士兰大学)
提出PPRO框架,通过用户画像引导的排序和基于GRPO的查询重写,实现个性化记忆检索,在LoCoMo和LongMemEval-S上取得一致提升。
2026-07-03 cs.AI cs.CL cs.IR
Who Spoke What When? Evaluating Spoken Language Models for Conversational ASR with Semantic and Overlap-Aware Metrics
NTT, Inc.(日本NTT公司);CMU(卡内基梅隆大学);BUT(捷克但尼奇技术大学)
本文通过语义和重叠感知指标评估对话ASR模型,发现基于LLM的系统在双人对话中表现良好,但随着说话人数和重叠增加而下降,而模块化流水线方法更稳健。
2026-03-24 cs.CL eess.AS
Dialogue Chain-of-Thought Distillation for Commonsense-aware Conversational Agents
Yonsei University(延世大学);University of Minnesota(明尼苏达大学)
本文提出知识蒸馏框架,利用LLMs作为不可靠教师并通过一致性过滤器选择性蒸馏一致依据,构建对话思维链推理器DOCTOR,为对话智能体提供高质量推理依据以显著提升回复质量。
2023-10-22 cs.AI cs.CL
End-to-End Single-Channel Speaker-Turn Aware Conversational Speech Translation
Idiap Research Institute(伊迪亚普研究所);EPFL(洛桑联邦理工学院);AWS AI Labs(亚马逊云科技人工智能实验室)
本文提出端到端多任务的说话人轮次感知对话语音翻译模型,融合 ASR、ST 与轮次检测,并在适配后的 Fisher-CALLHOME 单通道多说话人语料上验证其优势。
2023-11-01 cs.CL eess.AS
Context-Aware Classification and Grading of Sensitive Information in Online Conversational Health Data
School of Computing, Macquarie University, Australia(麦考瑞大学计算机学院);Department of Biomedical Engineering, National University of Singapore(新加坡国立大学生物医学工程系);School of Mathematics and Statistics, Shandong University of Technology, China(山东理工大学数学与统计学院);Digital Intelligence Center, Fuzhou University Affiliated Provincial Hospital, China(福州市附属省医院数字智能中心);School of Computer Science and Engineering, UNSW, Australia(新南威尔士大学计算机科学与工程学院)
SALP-CG通过统一标准和自动化方法,实现在线医疗对话数据的分类与敏感性分级,提升健康数据治理效率。
2026-10-01 cs.AI cs.CL
A Desideratum for Conversational Agents: Capabilities, Challenges, and Future Directions
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本综述提出对话智能体的期望目标,从推理、监控、控制三维度分析LLM驱动智能体,指出评估、长期推理、自我进化等关键研究方向,推动迈向AGI。
2025-04-07 cs.AI cs.CL
Role-aware Heuristic Episodic Attention for Conversational LLMs
National Key Laboratory of Parallel and Distributed Computing(并行与分布式计算国家重点实验室);College of Computer Science and Technology(计算机科学与技术学院);National University of Defense Technology(国防科技大学)
针对多轮对话中上下文衰减问题,提出REA框架,通过指令与情景分离存储及启发式检索,在Long-MT-Bench+上评分提升16.5%,延迟降低2.91倍。
2026-10-14 cs.CL
SpeechEQ: Benchmarking Emotional Intelligence Quotient in Socially Aware Voice Conversational Models
New York University(纽约大学);NVIDIA(英伟达);Carnegie Mellon University(卡内基梅隆大学);NYU Shanghai(上海纽约大学)
提出SpeechEQ框架,基于EQ-i 2.0理论构建2265个对话数据集,通过口语情商(SEQ)评分评估语音语言模型在主动多轮对话中的副语言社交线索推理能力,揭示端到端模型存在模态捷径、安全陷阱和上下文遗忘等瓶颈。
2026-11-03 cs.AI cs.CL cs.SD
INSURE-Dial: A Phase-Aware Conversational Dataset & Benchmark for Compliance Verification and Phase Detection
AIMon Labs(AIMon实验室)
INSURE-Dial是一个面向合规验证和阶段检测的相位感知对话数据集与基准,通过相位结构化标注和两个新评估任务提升语音代理的合规性评估能力。
2026-02-24 cs.CL
The Bairong System for MLC-SLM 2026: Dynamic Question-Aware Evidence Routing for Multilingual Conversational Speech Understanding
Bairong, Inc.(百融云创)
本文提出百融系统,通过动态问题感知证据路由,在对话文本与音频线索间灵活选择证据,有效提升多语言对话口语问答性能,在MLC-SLM 2026任务中取得显著成果。
2026-09-22 cs.CL cs.SD