Talking to myself: self-dialogues as data for conversational agents
School of Informatics(信息学院);University of Edinburgh(爱丁堡大学)
随着智能设备的日益普及,会话代理越来越受欢迎。然而,由于缺乏合适的语料库,以数据驱动的方式训练代理是具有挑战性的。本文提出了一种新的方法,收集主题,非结构化的对话数据在一个有效的方式:通过众包的自我对话。除了这篇论文,我们还包括一个360万字的语料库,涉及23个主题。我们认为语料库的实用性,通过比较自我对话与标准的两方对话,以及从其他语料库的数据。
2018-09-19 cs.AI cs.CL
Every time I fire a conversational designer, the performance of the dialog system goes down
Almawave(阿尔玛威公司);University of Rome Tor Vergata(罗马第二大学)
本文提出对话逻辑注入神经网络系统(CLINN),通过评估不同技能对话设计师的半逻辑规则,发现其能显著减少标注需求且性能优于最先进神经对话系统,证实对话设计师显式领域知识的重要性。
2021-09-27 cs.AI cs.CL
Conversational Analysis of Daily Dialog Data using Polite Emotional Dialogue Acts
Foviatech GmbH(Foviatech有限公司);University of Hamburg(汉堡大学)
许多社会语言学线索被用于会话分析,如情感、情绪和对话行为。礼貌是一个基本的线索,它在语言学上具有一些特性,如在会话分析中有用的社交礼仪。本文介绍了礼貌的情感对话行为协会的研究结果,在那里我们可以关联的社会语言线索之间的关系。我们证实了我们的假设,即话语的情绪类愤怒和厌恶更有可能是不礼貌的。同时,快乐和悲伤更有可能是礼貌的。一个不太令人期待的现象出现在对话行为Inform和Commissioner中,它们比Question和Directive包含更多的礼貌话语。最后,我们总结了这些研究结果的未来工作,以扩大使用礼貌的社会行为的学习。
2022-05-11 cs.AI cs.CL cs.HC
Towards Conversational Recommendation over Multi-Type Dialogs
Harbin Institute of Technology(哈尔滨工业大学);Baidu Inc.(百度公司)
我们提出了一个新的任务,在多类型的对话中进行会话推荐,其中机器人可以主动和自然地从非推荐对话(例如,QA)到推荐对话框,考虑用户的兴趣和反馈。为了便于研究这个任务,我们创建了一个人对人的中文对话数据集\emph{DuRecDial}(约10k对话,156k话语),其中包含多个顺序的对话,每对推荐搜索者(用户)和推荐者(机器人)。在每个对话中,推荐器主动引导多类型对话接近推荐目标,然后进行具有丰富交互行为的多个推荐。这个数据集使我们能够系统地研究整个问题的不同部分,例如,如何自然地引导对话,如何与用户交互以获得推荐。最后,我们建立了DuRecDial的基线结果,为未来的研究。数据集和代码可在https://github.com/PaddlePaddle/models/tree/develop/PaddleNLP/Research/ACL2020-DuRecDial上公开获取。
2020-05-22 cs.AI cs.CL
Conversational Semantic Role Labeling
Tencent AI Lab(腾讯AI实验室);City University of Hong Kong(香港城市大学)
语义角色标注(SRL)旨在提取输入句子中每个谓词的论元。传统的语义关联语言只适用于单个句子,而省略和回指在对话中频繁出现,因此无法分析对话。为了解决这个问题,我们提出了会话SRL任务,其中一个参数可以是对话参与者,对话历史中的一个短语或当前句子。由于现有的SRL数据集是在句子层面上,我们手动注释了3,000个聊天对话(27,198句)的语义角色,以推动这一方向的研究。实验表明,虽然传统的SRL系统(即使在共指消解或重写的帮助下)在分析对话时表现不佳,但对对话历史和参与者进行建模大大有助于提高性能,这表明将SRL应用于对话是非常有希望的。我们将CSRL应用于两个主流会话任务,对话反应生成和对话语境重写的初步研究也证实了CSRL的有用性。
2021-04-11 cs.AI cs.CL
Plato Dialogue System: A Flexible Conversational AI Research Platform
Uber AI(优步AI)
随着口语对话系统和对话式人工智能领域的发展,对抽象实现细节的工具和环境的需求也在增长,以加快开发过程,降低进入该领域的门槛,并为新想法提供一个通用的测试平台。在本文中,我们介绍了Plato,一个用Python编写的灵活的对话式AI平台,它支持任何类型的对话式代理架构,从标准架构到具有联合训练组件的架构,单方或多方交互,以及任何对话式代理组件的离线或在线训练。Plato被设计为易于理解和调试,并且对训练每个组件的底层学习框架不可知。
2020-01-17 cs.AI cs.CL cs.HC
DialSim: A Dialogue Simulator for Evaluating Long-Term Multi-Party Dialogue Understanding of Conversational Agents
KAIST(韩国科学技术院);SNU(釜山大学)
针对现有对话智能体评估忽视多方对话与长期依赖的问题,提出DialSim模拟评估框架及LongDialQA数据集,发现大上下文或RAG模型仍难以保持长期多方理解,凸显更真实基准的必要性。
2025-09-26 cs.AI cs.CL
Towards a Metric for Automated Conversational Dialogue System Evaluation and Improvement
Zurich University of Applied Sciences(苏黎世应用科技大学)
我们提出了“自动判断”,会话对话系统的自动评估方法。该方法通过首先基于自对话(即,对话系统与自身对话)生成对话来工作。然后,它使用人类对这些对话的评分来训练自动判断模型。我们的实验表明,AutoJudge与人类评级相关性很好,可以用来自动评估对话系统,即使在部署的系统。在第二部分中,我们尝试应用自动判断来改进现有系统。这对于重新排序一组候选话语很有效。然而,我们的实验表明,AutoJudge不能作为强化学习的奖励,尽管该指标可以区分好与坏的对话。我们讨论了潜在的原因,但在这里已经指出,这仍然是一个有待进一步研究的开放问题。
2020-06-25 cs.AI cs.CL cs.LG
Dialogue Agents 101: A Beginner's Guide to Critical Ingredients for Designing Effective Conversational Systems
Indraprastha Institute of Information Technology, Delhi(德里因德拉普拉斯信息技术学院);Adobe(奥多比公司);Indian Institute of Technology, Delhi(德里印度理工学院)
本文为从业者从零设计对话智能体提供关键要素综述,并提出统一数据集UNIT以整合多任务,促进统一基础模型构建。
2024-05-23 cs.AI cs.CL
Probing Neural Dialog Models for Conversational Understanding
Harvard School of Engineering and Applied Sciences(哈佛大学工程与应用科学学院);MIT Computer Science and Artificial Intelligence Laboratory(麻省理工学院计算机科学与人工智能实验室)
开放域对话生成的主要方法依赖于聊天数据集上神经模型的端到端训练。然而,这种方法几乎没有提供关于这些模型学习(或不学习)参与对话的见解。在这项研究中,我们分析了神经开放域对话系统学习的内部表征,并评估这些表征的质量,以学习基本的会话技能。我们的研究结果表明,标准的开放域对话系统在回答问题、推断矛盾、确定对话主题等任务方面都很困难。我们还发现,这些模型并没有充分利用对话的二元,话轮转换的性质。通过探索这些限制,我们强调需要对架构和训练方法进行额外的研究,以更好地捕捉有关对话框的高级信息。
2020-06-07 cs.AI cs.CL cs.LG
Dialogue Graph Modeling for Conversational Machine Reading
Shanghai Jiao Tong University(上海交通大学)
会话式机器阅读(CMR)旨在以复杂的方式回答问题。机器需要根据给定的规则文档、用户场景和对话历史,通过与用户的交互来回答问题,并在必要时提出问题以澄清。本文提出了一种对话图建模框架,以提高机器对CMR任务的理解和推理能力。总共有三种类型的图形。具体而言,话语图用于显式学习和提取规则文本之间的话语关系以及场景的额外知识;解耦图用于理解规则文本中的局部和上下文连接。最后是一个全局图,用于将信息融合在一起,并回复用户,我们的最终决定是“是/否/无关”,或者提出后续问题来澄清。
2021-05-29 cs.AI cs.CL
End-to-End Conversational Search for Online Shopping with Utterance Transfer
Shanghai Jiao Tong University(上海交通大学);Amazon.com, Inc.(亚马逊公司)
成功的会话搜索系统可以为在线购物客户提供自然、自适应和交互式的购物体验。然而,从头开始构建这样的系统面临着现实的挑战,从不完善的产品模式/知识和缺乏训练对话data.In这项工作中,我们首先提出了ConvSearch,一个端到端的会话搜索系统,深入结合了对话系统与搜索。它利用文本配置文件来检索产品,与单独使用产品属性相比,它对不完善的产品模式/知识更鲁棒。然后,我们提出了一种话语传输方法,通过使用现有的对话从其他领域,并利用电子商务零售商的搜索行为数据生成对话话语,以解决缺乏数据的挑战。通过话语转移,我们引入了一个新的在线购物会话搜索数据集。实验表明,我们的话语转移方法可以显着提高训练对话数据的可用性,而无需众包,会话搜索系统显着优于最佳测试基线。
2021-09-12 cs.AI cs.CL
Building a Conversational Agent Overnight with Dialogue Self-Play
Google AI(谷歌人工智能)
我们提出了机器对机器(M2M),一个框架相结合的自动化和众包,以快速引导端到端的对话代理在任意领域的目标为导向的对话。M2M仅通过任务模式和来自对话系统开发人员的API客户端扩展到新任务,但它也可以定制以满足特定于任务的交互。与用于数据汇集的绿野仙踪方法相比,M2M实现了显著对话流的更大多样性和覆盖率,同时保持了个体话语的自然性。在第一阶段中,模拟的用户机器人和领域不可知的系统机器人进行对话,以详尽地生成对话“大纲”,即模板话语及其语义解析的序列。在第二阶段,人群工作者提供对话的上下文重写,使话语更自然,同时保留其意义。整个过程可以在几个小时内完成。我们提出了一个新的语料库的3,000对话跨越2个领域收集与M2M,并提出与流行的对话数据集的表面形式和对话流的质量和多样性的比较。
2018-01-15 cs.AI cs.CL
Conversational Tree Search: A New Hybrid Dialog Task
University of Stuttgart(斯图加特大学)
本文提出对话树搜索(CTS)任务,结合FAQ检索与任务导向对话,通过领域专家定义对话树并转换为高效对话策略,仅提问必要问题引导用户达成目标,新深度强化学习架构在跳过冗余问题的同时提升目标完成率。
2023-03-17 cs.AI cs.CL cs.LG
Synthetic Dialogue Generation for Interactive Conversational Elicitation & Recommendation (ICER)
Google Research(谷歌研究);Amazon AGI(亚马逊人工智能)
针对对话推荐系统公开数据不足、现有LM生成对话行为一致性差的问题,提出结合行为模拟器与LM提示生成符合用户状态的自然对话的方法,生成了兼具偏好引导与示例评论的大型开源CRS数据集,验证了对话的一致性、事实性与自然度。
2025-09-26 cs.AI cs.CL
Reducing Conversational Escalation in Large Language Model Dialogue with Nonviolent Communication Constraints
Beijing University of Posts and Telecommunications(北京邮电大学);City University of Hong Kong(香港城市大学)
本研究通过非暴力沟通原则的轻量级提示约束,引导大语言模型在冲突对话中减少升级行为,实验表明该方法能稳定与高度抵抗用户的交互。
2026-06-26 cs.AI cs.CL
MACA: A Modular Architecture for Conversational Agents
我们提出了一个软件架构,旨在简化对话系统的实施。会话代理的模块化架构(MACA)使用即插即用风格,允许快速原型化,从而促进新技术的开发和以前工作的复制。该体系结构将对话域与代理的对话策略分离,因此可以很容易地扩展到多个域。MACA提供了一些工具,用于在Amazon Mechanical Turk(mTurk)上托管对话代理以进行数据汇集,并允许处理其他来源的训练数据。目前的框架版本已经纳入了最近文献中的几个领域和现有对话战略。
2017-05-03 cs.AI cs.SE
Dialog Simulation with Realistic Variations for Training Goal-Oriented Conversational Systems
Cranberry-Lemon University(蔓越莓柠檬大学)
面向目标的对话系统使用户能够完成特定的目标,如请求有关电影的信息或预订机票。通常,对话系统管道包含多个ML模型,包括自然语言理解、状态跟踪和动作预测(策略学习)。这些模型通过监督或强化学习方法的组合进行训练,因此需要收集标记的特定领域数据集。然而,收集带有语言和对话流变化的注释数据集是昂贵的,耗时的,并且由于人类的参与而难以扩展。在本文中,我们提出了一种方法,自动创建一个大型语料库的注释对话从几个彻底注释的示例对话和对话模式。我们的方法包括一种新的目标采样技术,用于对看似合理的用户目标进行采样,以及使用用户与系统(Alexa)之间的启发式相互作用的对话模拟技术,其中用户试图实现采样目标。我们通过生成数据和训练三个不同的下游会话ML模型来验证我们的方法。我们达到18岁了?与仅从现有目录中采样自然语言和实体值变化但不生成任何新的对话流变化的基线对话生成方法相比,在保留测试集上的相对准确度提高了50%。我们还定性地确定,所提出的方法是优于基线。此外,还使用这种方法构建了几种不同的对话体验,使客户能够与Alexa进行各种对话。
2020-11-16 cs.AI cs.CL cs.LG
Fusing task-oriented and open-domain dialogues in conversational agents
Nanyang Technological University(南洋理工大学);National University of Singapore(新加坡国立大学)
构建智能对话系统的目标在很大程度上是在两种范式下分别追求的:面向任务的对话(TOD)系统,它执行面向目标的功能,和开放域对话(ODD)系统,它专注于非面向目标的闲聊。这两种对话模式可以在同一个对话中无缝地交织在一起,就像友好的人类助手很容易做到的那样。这种能力在会话代理中是可取的,因为集成使它们更容易访问和有用。我们的论文解决了这个问题,融合多轮对话中的TOD和ODD。基于流行的TOD数据集MultiWOZ,我们通过重写现有的TOD转弯并添加新的ODD转弯来构建新的数据集FusedChat。该过程构造包含来自两种对话模式的交换的会话会话。它具有模式间上下文依赖性,即,对话从两种模式的相互依存转向了两种模式的相互依存。丰富的依赖模式,包括共指和省略的功能。新的数据集包含60k个新的人类书写的ODD回合和5k个重写的TOD回合,提供了一个测试对话模型执行模式间对话能力的基准。这是一项更具挑战性的任务,因为模型必须确定适当的对话模式并基于模式间上下文生成响应。但这样的模型可以更好地模仿人类水平的对话能力。我们评估了基线模型,包括基于分类的两阶段模型和二合一融合模型。我们公开发布FusedChat和基线,以推动未来在模式间对话系统https://github.com/tomyoung903/FusedChat上的工作。
2022-04-04 cs.AI cs.CL
Behaviour Trees for Creating Conversational Explanation Experiences
Robert Gordon University(罗伯特戈登大学)
本文提出了一个XAI系统规范和一个交互式对话模型,以促进解释经验(EE)的创建。这样的规范结合了XAI的知识,领域和系统专家的用例,以正式化目标用户组和他们的解释需求,并实现解释策略,以满足这些需求。XAI系统的形式化促进了现有解释器和已知解释需求的重用,这些解释需求可以使用用户评估反馈随着时间的推移进行改进和发展。抽象的EE对话模型形式化了用户和XAI系统之间的交互。由此产生的EE会话聊天机器人在运行时使用其XAI系统规范中捕获的知识个性化到XAI系统。这种无缝集成是通过使用行为树(BT)来概念化EE对话模型和解释策略来实现的。在评估中,我们讨论了使用BT而不是传统使用的STM或FSM的几个理想特性。BT通过设计的层次性促进了对话组件的可重用性。子树是模块化的,即子树负责特定的行为,可以以不同的粒度级别设计,以提高人类的可解释性。EE对话模型由捕获EE所需的抽象行为组成,因此,它可以实现为满足不同领域和用户的会话,图形或基于文本的界面。当使用BT进行对话建模时,有一个显着的计算成本,我们通过使用内存来减轻。总的来说,我们发现,动态创建强大的会话路径的能力使BT成为设计和实现会话以创建解释体验的良好候选人。
2023-01-06 cs.AI
Towards Personalized Dialog Policies for Conversational Skill Discovery
Amazon Alexa(亚马逊Alexa)
许多企业和消费者正在扩展基于语音的服务的功能,例如Amazon Alexa,Google Home,Microsoft Cortana和Apple Siri,以创建自定义语音体验(也称为技能)。随着这些体验的增加,一个关键问题是发现可用于解决用户请求的技能。在本文中,我们专注于会话技能发现,并提出了一个会话代理,从事与用户的对话,以帮助他们找到满足他们需求的技能。为此,我们从基于规则的代理开始,并通过使用强化学习对其进行改进。通过这种方式,我们使代理能够适应不同的用户属性和会话风格,因为它与用户交互。我们评估我们的方法在一个真正的生产环境中部署的代理与真实的用户进行交互,并显示对话代理的有效性,帮助用户找到他们的要求服务的技能。
2019-11-15 cs.AI cs.CL cs.HC
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
DialFork: Going Beyond Factuality to Evaluate Procedural Hallucination in Conversational Agents
Idiap Research Institute(Idiap研究所);Telefónica Innovación Digital(西班牙电信创新数字公司);Logitech(罗技公司);Brno University of Technology(布尔诺理工大学)
该研究推出首个衡量对话智能体过程性幻觉的基准DialFork,定义三项评估任务并提出FlowKL、FlowScore指标,实验显示FlowScore优于基线,以MIT许可发布该基准供学界使用。
2026-11-02 cs.AI cs.CL cs.LG
CraftAssist: A Framework for Dialogue-enabled Interactive Agents
Facebook AI Research(Facebook人工智能研究院)
本文描述了一个机器人助手在Minecraft中的实现,以及允许玩家与机器人交互并记录这些交互的工具和平台。建立这样一个助手的目的是为了促进对能够完成对话指定任务的智能体的研究,并最终从对话交互中学习。
2019-07-19 cs.AI
U-NEED: A Fine-grained Dataset for User Needs-Centric E-commerce Conversational Recommendation
Alibaba Group(阿里巴巴集团)
本文构建了真实电商场景下细粒度的用户需求中心对话推荐数据集U-NEED,提出5个关键任务并建立基线,实验揭示不同类别中该任务的挑战各异。
2023-05-05 cs.AI 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
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
Quality Assurance of Generative Dialog Models in an Evolving Conversational Agent Used for Swedish Language Practice
RISE Research Institutes of Sweden(瑞典RISE研究院);Lund University(隆德大学);NordAxon AB(NordAxon公司)
由于移民的大趋势,高效和有效的第二语言习得至关重要。一个提议的解决方案涉及支持AI的会话代理,用于以人为中心的交互式语言实践。我们目前正在进行的行动研究的结果,针对虚拟工作面试培训的专有生成对话模型的质量保证。行动小组引出了一组38个需求,我们为其中15个对不断发展的解决方案特别感兴趣的需求设计了相应的自动化测试用例。我们的研究结果表明,六个测试用例设计可以检测候选模型之间有意义的差异。虽然自然语言处理应用程序的质量保证是复杂的,我们提供了一个自动化框架的初步步骤,机器学习模型选择的背景下,不断发展的会话代理。未来的工作将集中在MLOps设置中的模型选择。
2022-03-29 cs.AI cs.CL cs.SE
Actionable Conversational Quality Indicators for Improving Task-Oriented Dialog Systems
LivePerson Inc.(LivePerson公司)
本文提出可操作会话质量指标(ACQIs),用于识别和推荐任务型对话系统的改进点,并在商业及公开数据集上验证,预测模型达79%加权F1,可减少81%的改进行动范围。
2021-09-22 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
A Survey on Proactive Dialogue Systems: Problems, Methods, and Prospects
National University of Singapore(新加坡国立大学);Sichuan University(四川大学);The Chinese University of Hong Kong(香港中文大学)
本文首次系统综述主动对话系统,涵盖其问题、方法及未来挑战,旨在推动对话AI向更主动、策略性交互发展。
2023-05-09 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
WeChat AI & ICT's Submission for DSTC9 Interactive Dialogue Evaluation Track
WeChat AI, Tencent Inc(腾讯公司微信人工智能实验室);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Peking University(北京大学);University of Chinese Academy of Sciences(中国科学院大学)
我们参加了DSTC 9交互式对话评估轨道(Gunasekara et al. 2020)子任务1(基于知识的对话)和子任务2(交互式对话)。在子任务1中,我们使用一个预先训练好的语言模型来生成与主题相关的响应,并提出了一种响应集成方法来选择响应。在子任务2中,我们提出了一种新的对话规划模型(Dialogue Planning Model,简称PMM)来捕获与人类交互中的会话流。我们还设计了一个完整的开放领域对话系统,包括前处理,对话模型,评分模型,和后处理,它可以生成流畅,连贯,一致,人性化的反应。我们在人工评分上并列第一,在子任务1中获得了最高的Meteor和Bert评分,在子任务2中的交互式人工评估中排名第三。
2021-06-04 cs.AI cs.CL
DialogueBERT: A Self-Supervised Learning based Dialogue Pre-training Encoder
JD AI(京东人工智能);Xiaoduo AI(晓多人工智能)
随着人工智能的快速发展,会话机器人已经在主流电子商务平台中盛行,它可以及时提供便捷的客户服务。为了满足用户,会话机器人需要理解用户的意图,检测用户的情感,并从会话语句中提取关键实体。然而,理解对话被认为是一项非常具有挑战性的任务。与一般的语言理解不同,对话中的话语是从不同的角色交替出现的,并且通常被组织成层次结构。为了促进对话的理解,在本文中,我们提出了一种新的上下文对话编码器(即对话BERT)的基础上流行的预训练的语言模型BERT。设计了五个自监督学习预训练任务来学习会话话语的特殊性。四种不同的输入嵌入,包括话轮嵌入,角色嵌入,标记嵌入和位置嵌入的集成来捕捉话语之间的关系。DialogueBERT在真实场景中预先训练了7000万个对话,然后在三个不同的下游对话理解任务中进行了微调。实验结果表明,DialogueBERT在意图识别、情感识别和命名实体识别方面分别取得了88.63%、94.25%和97.04%F1的优异成绩,大大优于几个强基线。
2021-09-22 cs.AI cs.CL
Toward Conversational Hungarian Speech Recognition: Introducing the BEA-Large and BEA-Dialogue Datasets
ELTE Research Centre for Linguistics(ELTE语言研究研究中心);Speechtex Ltd.(Speechtex公司)
本文介绍了BEA-Large和BEA-Dialogue两个匈牙利语语音数据集,用于提升对话式语音识别技术,并展示了基于这些数据集的ASR模型性能及说话人识别结果。
2026-01-14 cs.AI cs.CL cs.SD
Investigation of Error Simulation Techniques for Learning Dialog Policies for Conversational Error Recovery
Amazon Inc(亚马逊公司)
训练基于语音的虚拟助理的对话策略需要大量的会话数据。由于人工参与,数据汇集阶段通常是昂贵且耗时的。为了解决这个问题,一个常见的解决方案是为数据生成构建用户模拟器。为了将训练的策略成功部署到现实世界的领域中,用户模拟器模仿现实条件至关重要。特别是,基于语音的助理受到自动语音识别和语言理解错误的严重影响,因此用户模拟器应该能够模拟类似的错误。在本文中,我们回顾了现有的错误模拟方法,诱导错误的音频,音素,文本,或语义水平,并进行详细的比较之间的音频级和文本级的方法。在此过程中,我们通过引入置信度预测和词汇表外词映射来改进现有的文本级方法。我们还探讨了音频级和文本级方法对学习简单澄清对话策略的影响,以从错误中恢复,从而为这两种方法的未来改进提供见解。
2019-11-08 cs.AI cs.CL cs.LG
DuRecDial 2.0: A Bilingual Parallel Corpus for Conversational Recommendation
Harbin Institute of Technology(哈尔滨工业大学);Baidu Inc.(百度公司)
在本文中,我们提供了一个双语并行人对人的推荐对话数据集(DuRecDial 2.0),使研究人员能够探索具有挑战性的任务,多语言和跨语言的会话推荐。DuRecDial 2.0与现有会话式推荐数据集的区别在于,DuRecDial 2.0中的数据项(Profile,Goal,Knowledge,Context,Response)使用两种语言进行注释,英语和中文,而其他数据集则使用单一语言设置。我们收集了8.2k个跨英语和汉语的对话(共16.5k个对话和255k个话语),这些对话由众包工作人员进行注释,并具有严格的质量控制程序。然后,我们在DuRecDial 2.0上构建单语,多语言和跨语言会话推荐基线。实验结果表明,使用额外的英语数据可以带来性能的改善,中文会话推荐,显示DuRecDial 2.0的好处。最后,这个数据集提供了一个具有挑战性的测试平台,为未来的研究单语,多语言和跨语言的会话推荐。
2021-09-18 cs.AI cs.CL
RecWizard: A Toolkit for Conversational Recommendation with Modular, Portable Models and Interactive User Interface
University of California, San Diego(加利福尼亚大学圣迭戈分校)
RecWizard是一个借鉴Huggingface生态、面向对话式推荐系统的Python工具包,通过模块化、可移植、交互式且LLM友好的设计,简化CRS模型开发与研究流程。
2024-02-23 cs.AI cs.IR
Prototypical Q Networks for Automatic Conversational Diagnosis and Few-Shot New Disease Adaption
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Amazon AI(亚马逊人工智能)
口语对话系统已经在许多领域中得到应用,包括用于自动会话诊断的医疗领域。最先进的对话管理器通常由深度强化学习模型驱动,例如深度Q网络(DQN),它通过与模拟器交互来探索整个动作空间,因为真实的对话是有限的。然而,基于DQN的自动诊断模型在适应新的、未知的疾病时,只有很少的训练样本,不能达到令人满意的性能。在这项工作中,我们提出了原型Q网络(ProtoQN)作为自动诊断系统的对话管理器。该模型通过医生和患者之间的真实对话计算原型嵌入,更有效地从他们和模拟器增强的对话中学习。我们使用Muzhi语料库创建了监督学习和少样本学习任务。实验表明,ProtoQN在监督和少样本学习场景中的性能均显著优于基线DQN模型,并实现了最先进的少样本学习性能。
2020-05-19 cs.AI cs.CL
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
Script-Based Dialog Policy Planning for LLM-Powered Conversational Agents: A Basic Architecture for an "AI Therapist"
Aury(奥里公司);HMU Health and Medical University Erfurt(埃尔福特HMU健康与医科大学)
本研究提出基于脚本的对话策略规划范式,使LLM对话智能体能依据专家脚本行动并在有限状态间转换,构建了AI治疗师的基础架构,实验验证了其可行性与不同实现变体的效率。
2024-12-13 cs.AI cs.CL
Customized Conversational Recommender Systems
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Tencent(腾讯);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Beihang University(北京航空航天大学);The Hong Kong University of Science and Technology(香港科技大学)
会话式推荐系统(CRS)旨在通过实时的多轮会话交互来捕获用户的当前意图并提供推荐。CRS作为一个人机交互系统,提高用户体验至关重要。然而,大多数CRS方法忽略了用户体验的重要性。本文提出CRS改善用户体验的两个关键点:(1)像人一样说话,人类可以根据当前的对话语境用不同的风格说话。(2)细粒度意图识别,即使是同一话语,不同的用户也有不同的细粒度意图,这与用户的内在偏好有关。在此基础上,我们提出了一种新的CRS模型,即定制会话推荐系统(Customized Conversational Recommender System,CCRS),它从三个角度为用户定制CRS模型。对于类人对话服务,我们提出了多风格的对话响应生成器,选择上下文感知的说话风格的话语生成。为了提供个性化的推荐,我们提取用户的当前细粒度的意图,从对话上下文与用户的固有偏好的指导。最后,为了为每个用户定制模型参数,我们从元学习的角度对模型进行训练。大量的实验和一系列的分析表明,我们的CCRS推荐和对话服务的优越性。
2022-06-30 cs.AI cs.IR
OnGoal: Tracking and Visualizing Conversational Goals in Multi-Turn Dialogue with Large Language Models
Georgia Institute of Technology(佐治亚理工学院);Adobe Research(Adobe研究)
本文提出 OnGoal 聊天界面,通过实时目标对齐反馈、评估解释和进展概览帮助用户管理 LLM 多轮对话目标,实验表明其能减少达成目标的时间与精力,并增强参与度和韧性。
2025-08-28 cs.AI cs.HC cs.LG
User-Centric Conversational Recommendation with Multi-Aspect User Modeling
University of Chinese Academy of Sciences(中国科学院大学);Tencent(腾讯);Beihang University(北京航空航天大学);Institute of Intelligent Computing Technology(智能计算技术研究所)
会话式推荐系统(CRS)的目标是在会话中提供高质量的推荐。然而,大多数常规CRS模型主要关注当前会话的对话理解,而忽略了中心主题的其他丰富的多方面信息(即,用户)推荐。在这项工作中,我们强调,用户的历史对话会话和外观相似的用户是用户偏好的重要来源,除了当前的对话会话在CRS。为了系统地对多方面信息进行建模,我们提出了一个以用户为中心的会话推荐(UCCR)模型,该模型回归了CRS任务中用户偏好学习的本质。具体来说,我们提出了一个历史会话学习器,以捕捉用户的多视图偏好的知识,语义和消费的意见作为补充,以目前的偏好信号。多视图偏好映射器通过自监督目标来学习当前和历史会话中不同视图之间的内在相关性。我们还设计了一个时间相似用户选择器,通过相似用户来理解用户。所学习的多方面多视图用户偏好然后被用于推荐和对话生成。在实验中,我们对中文和英文CRS数据集进行了综合评价。与竞争模型相比,UCCR在推荐和对话生成方面的显著改进验证了其优越性。
2022-04-25 cs.AI cs.IR
Extending Neural Generative Conversational Model using External Knowledge Sources
McGill University(麦吉尔大学);Facebook AI Research(Facebook人工智能研究院)
由于大型语料库的可用性,连接主义方法在会话代理中的使用进展迅速。然而,目前的生成性对话模式往往缺乏连贯性,内容贫乏。这项工作提出了一个架构,将非结构化的知识源,以提高下一个话语预测聊天类型的生成对话模型。我们专注于使用Reddit News数据集训练的序列到序列(Seq2Seq)会话代理,并考虑从维基百科摘要以及NELL知识库中整合外部知识。我们的实验表明,在利用外部知识时,训练时间更快,困惑度更高。
2018-09-14 cs.AI cs.CL
SIMMC: Situated Interactive Multi-Modal Conversational Data Collection And Evaluation Platform
Facebook(脸书)
随着数字虚拟助理变得无处不在,了解用户在与这些助理交互时的行为变得越来越重要。为此,我们引入SIMMC,一个扩展ParlAI多模态会话数据汇集和系统评估。SIMMC模拟了一个沉浸式的设置,其中人群工作人员能够在参与对话时与AI Habitat或Unity中构建的环境进行交互。SIMMC中的助手可以是人群工作者或人工智能(AI)代理。这使得(i)用于数据汇集的多玩家/绿野仙踪设置,或(ii)用于模型/系统评估的单人模式成为可能。我们计划开源一个在这个平台上收集的会话数据集,供会话人工智能研究社区使用。
2020-01-30 cs.AI cs.CL
Unsupervised Evaluation of Interactive Dialog with DialoGPT
Dialog Research Center, Language Technologies Institute(语言技术研究所对话研究中心);Carnegie Mellon University(卡内基梅隆大学)
定义有意义和可解释的自动评估指标对于开放域对话研究是非常重要的。标准的语言生成度量已被证明对对话无效。本文介绍了FED度量(对话的细粒度评估),这是一种使用DialoGPT的自动评估度量,无需任何微调或监督。它还介绍了FED数据集,该数据集是通过注释一组具有18个细粒度对话质量的人-系统和人-人对话而构建的。FED度量(1)不依赖于地面实况响应,(2)不需要训练数据,以及(3)在回合和整个对话级别上测量细粒度对话质量。FED在这两个水平上都与人类判断达到中度到高度相关。
2020-06-23 cs.AI cs.CL cs.HC
Improving Neural Conversational Models with Entropy-Based Data Filtering
Budapest University of Technology and Economics(布达佩斯技术与经济大学)
当前基于神经网络的会话模型缺乏多样性,并且对开放式话语产生无聊的响应。诸如人物、情感或主题之类的先验为对话模型提供附加信息以帮助响应生成,但是用先验注释数据集是昂贵的,并且这样的注释很少可用。虽然以前的方法用于提高开放域响应生成的质量集中在底层模型或训练目标,我们提出了一种过滤对话数据集的方法,通过使用一个简单的基于熵的方法,不需要人的监督从训练数据中删除通用的话语。我们对我们方法的不同变体进行了广泛的实验,并在17个评估指标上比较了对话模型,以表明对以这种方式过滤的数据集进行训练可以获得更好的会话质量,因为聊天机器人学会输出更多样化的响应。
2019-08-02 cs.AI cs.CL
FlowDelta: Modeling Flow Information Gain in Reasoning for Conversational Machine Comprehension
National Taiwan University(国立台湾大学)
会话机器理解需要深入理解对话流,先前的工作提出了FlowQA来隐式地建模推理中的上下文表示,以便更好地理解。本文提出了明确的信息增益模型,通过对话推理,以使模型专注于更多的信息线索。该模型在会话QA数据集QuAC和顺序指令理解数据集SCONE上实现了最先进的性能,这表明了所提出的机制的有效性,并证明了其对不同QA模型和任务的泛化能力。
2020-01-17 cs.AI 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
Language Models in Dialogue: Conversational Maxims for Human-AI Interactions
IBM Research(IBM研究院)
针对现代语言模型在对话场景中的固有缺陷,本研究结合社会科学与AI领域研究,提出包含6条准则的人机对话准则体系,并验证了模型对准则的理解受其内部原则优先级影响。
2024-06-22 cs.AI cs.CL cs.HC
Interactive Learning of Hierarchical Tasks from Dialog with GPT
Georgia Institute of Technology(佐治亚理工学院)
本文提出一种利用GPT模型作为对话前端进行可解释符号化交互式任务学习的系统,通过将对话转换为语义表示并递归请求未知步骤定义,实现层次化任务知识的获取与重用,且比传统解析器架构更能容忍语言差异。
2023-05-17 cs.AI cs.CL cs.HC
FurChat: An Embodied Conversational Agent using LLMs, Combining Open and Closed-Domain Dialogue with Facial Expressions
Heriot-Watt University(赫瑞-瓦特大学);Alana AI
FurChat利用GPT-3.5和Furhat机器人,实现兼具开放与封闭域对话及面部表情的接待员具身代理,用于国家机器人馆访客互动。
2023-08-30 cs.AI cs.CL cs.HC
From Task-Guided Conversational Graphs to Goal-Oriented Dialogue Runtimes
Independent Researcher(独立研究者)
提出目标导向对话运行时(GODR)设计模式,将目标、任务框架、生命周期状态等作为一等运行时对象,解决多目标中断对话中的连续性难题。
2026-06-24 cs.AI cs.CL cs.MA