Improving Dialogue Discourse Parsing through Discourse-aware Utterance Clarification
Soochow University(苏州大学)
本文提出话语感知澄清模块和贡献感知偏好优化,解决对话话语解析中的歧义问题,在STAC和Molweni数据集上显著优于现有最先进方法。
2025-06-18 cs.AI cs.CL
Resolving References in Visually-Grounded Dialogue via Text Generation
KTH Royal Institute of Technology(瑞典皇家理工学院)
针对视觉落地对话中的指称消解难题,本文微调因果 LLM 生成融合上下文共指信息的有定描述,再由预训练 VLM 零样本识别所指对象,并在人工标注数据集上超过基线。
2023-09-23 cs.AI cs.CL cs.CV
A Deep Sequential Model for Discourse Parsing on Multi-Party Dialogues
Tsinghua University(清华大学);Institute for Artificial Intelligence, Tsinghua University (THUAI)(清华大学人工智能研究院);Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心)
语篇结构对于对话理解、问答、情感分析等自然语言处理任务都有重要意义,本文提出了一种用于分析多方对话语篇依存结构的深层序列模型。该模型的目标是通过预测依存关系和联合交替构建篇章结构来构建篇章依存树。它对对话中的基本语篇单位进行了顺序扫描。对于每个EDU,模型决定当前EDU应该链接到哪个先前EDU以及对应的关系类型是什么。预测的链接和关系类型,然后使用一个结构化编码器逐步建立话语结构。在链接预测和关系分类过程中,该模型不仅利用了表示相关EDU的局部信息,还利用了编码EDU序列的全局信息和当前步骤已经建立的话语结构。实验表明,该模型优于所有国家的最先进的基线。
2018-12-01 cs.AI cs.CL
DraDDP: A Multimodal Multi-Party Dialogue Discourse Parsing Dataset
School of Computer Science and Technology, Soochow University(苏州大学计算机科学与技术学院)
针对现有研究局限于文本或双方对话的问题,构建了基于美剧的首个公开英文多模态多方对话话语解析数据集DraDDP,并验证了多模态信息在捕捉对话结构和关系类型中的价值。
2026-04-13 cs.AI cs.CL
Learning to Memorize Entailment and Discourse Relations for Persona-Consistent Dialogues
Yunnan University(云南大学);Yuan Ze University(元智大学)
保持参与和一致性在对话系统中尤为重要。现有的工作通过有意识地学习具有复杂网络结构的对话者角色来提高对话系统的性能。这种方法的一个问题是它需要更多带有注释的个人语料库。此外,这些模型通常执行下一个话语预测以生成响应,但忽略了整个会话中的话语连贯性。为了解决这些问题,本研究提出了一种学习记忆蕴涵和话语关系的方法,用于人物角色一致的对话任务。利用自然语言推理数据集中的蕴涵文本对,通过前提-假设生成任务,学习隐含蕴涵关系作为外部记忆。此外,具有类似结构的内部存储器被应用于对话中的话语信息。在这两个存储空间上放置正交性限制确保了潜在蕴涵关系保持对话独立。这两种记忆合作,以获得蕴涵和话语表征的一代,允许更深入的理解一致性和连贯性。在PersonaChat和DSTC 7-AVSD两个大型公共数据集上的实验证明了该方法的有效性。自动和人类的评价表明,该模型优于几个强大的基线方面的人物角色的一致性和响应的一致性。我们的源代码可以在https://github.com/Chenrj233/LMEDR上找到。
2023-02-25 cs.AI cs.CL
DADgraph: A Discourse-aware Dialogue Graph Neural Network for Multiparty Dialogue Machine Reading Comprehension
Harbin Institute of Technology(哈尔滨工业大学);National University of Singapore(新加坡国立大学)
多方对话机器阅读理解(MRC)不同于传统的MRC,因为模型必须处理复杂的对话话语结构,这在传统的MRC中是没有考虑的。为了充分利用这种话语结构在多方对话,我们提出了一个话语感知的对话图神经网络,DADgraph,显式地构建对话图使用话语依赖链接和话语关系。为了验证我们的模型,我们在Molweni语料库上进行了实验,这是一个大规模的MRC数据集,建立在用话语结构注释的多方对话之上。在Molweni上的实验表明,与强神经网络MRC基线相比,我们的话语感知模型在统计上取得了显着的改进。
2021-04-26 cs.CL
An Annotation Scheme of A Large-scale Multi-party Dialogues Dataset for Discourse Parsing and Machine Comprehension
Harbin Institute of Technology(哈尔滨工业大学)
在本文中,我们提出了大规模的多方聊天对话的话语分析和机器理解的注释方案。这个项目的主要目标是帮助理解多方对话。我们的数据集基于Ubuntu Chat语料库。对于每一个多方对话,我们注释了对话的话语结构和问答对。我们知道,这是第一个大规模的多方对话语篇分析语料库,我们首次提出了多方对话机器阅读理解的任务。
2019-11-08 cs.CL
Agentic LLM Framework for Adaptive Decision Discourse
本文提出一种代理大语言模型框架,用于模拟决策 discourse,通过多方观点协作开发可行策略,解决复杂系统中的不确定性挑战,展示了两个案例研究,平衡了社会、经济和环境优先事项,为可扩展和情境感知的推荐奠定基础。
2026-03-18 cs.AI cs.CY
Context-Agent: Dynamic Discourse Trees for Non-Linear Dialogue
Shandong University(山东大学)
本文提出 Context-Agent 框架,通过动态树结构建模对话历史,解决非线性对话中的上下文管理问题,并引入 NTM 评估基准,提升多轮对话任务完成率和效率。
2026-04-17 cs.AI cs.CL
Multi-tasking Dialogue Comprehension with Discourse Parsing
Shanghai Jiao Tong University(上海交通大学)
多方对话机器阅读理解(MRC)提出了一个更具挑战性的理解目标,即与两个以上的说话人对话,与传统的简单段落风格的MRC相比。为了准确地完成基于这种多方对话的问答任务,模型必须处理与普通非对话文本完全不同的话语关系,其中话语关系应该以语言学驱动的方式连接两个相距遥远的话语。我们提出了第一个多任务模型,用于在多方对话MRC任务上联合执行QA和话语解析(DP)。我们提出的模型在最新的基准测试Molweni上进行了评估,其结果表明,补充任务的训练不仅有利于QA任务,而且有利于DP任务本身。我们进一步发现,当处理较长的对话时,联合模型明显更强,这再次验证了DP在相关MRC中的必要性。
2021-10-07 cs.CL
Implicit Discourse Relation Identification for Open-domain Dialogues
The Chinese University of Hong Kong(香港中文大学);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
语篇关系识别是一个活跃的研究领域,但在开放领域的对话系统中,隐性关系识别仍然是一个尚未解决的问题。以前的工作主要依赖于正式文本的语料库,这些语料库本质上是非对话的,即,新闻和期刊。然而,这些数据不适合处理非正式对话的细微差别,也不能够浏览开放域对话中存在的过多有效主题。在本文中,我们设计了一种新的话语关系识别管道专门针对开放域对话系统。我们首先提出了一种方法来自动提取隐含的话语关系参数对和标签的数据集的对话轮,从而在一个新的语料库的话语关系对,第一次尝试识别的话语关系连接的对话轮在开放域的话语。此外,我们已经采取了第一步,利用我们的任务所特有的对话功能,通过执行功能消融和纳入对话功能来增强最先进的模型,进一步提高对这种关系的识别。
2019-07-09 cs.CL
Automatic Construction of Discourse Corpora for Dialogue Translation
Dublin City University(都柏林城市大学);Huawei Technologies(华为技术)
提出了一种面向对话机器翻译的平行语篇语料库自动构建方法。首先,从互联网上抓取并收集平行字幕数据和对应的单语电影剧本数据。然后通过信息检索方法将脚本数据中的说话人和话语边界等标签映射到字幕数据中,从而将单语话语映射为双语文本。我们不仅评估映射结果,而且将说话人信息整合到翻译中。实验结果表明,该方法在说话人和对话边界标注上的准确率分别达到81.79%和98.64%,基于说话人的语言模型自适应可以使翻译质量提高约0.5个BLEU点。最后,我们公开发布了大约10万个带有人工说话人和对话边界标注的并行话语数据。
2016-05-22 cs.CL
End-to-End Neural Discourse Deixis Resolution in Dialogue
Human Language Technology Research Institute(人类语言技术研究所);University of Texas at Dallas(德克萨斯大学达拉斯分校)
我们改编了Lee et al.的(2018年)基于跨度的实体共指模型的任务,在对话中的端到端话语指示解析,特别是通过提出扩展他们的模型,利用特定任务的特点。由此产生的模型dd-utt在CODI-CRAC 2021共享任务中的四个数据集上实现了最先进的结果。
2022-12-03 cs.CL
Improving Multi-Party Dialogue Discourse Parsing via Domain Integration
Institute for Infocomm Research, A*STAR, Singapore(信息通信研究院(A*STAR),新加坡)
虽然多方对话往往不如独白和文档结构化,但它们隐含地通过交互轮之间的语义水平相关性来组织,并且对话语篇分析可以用于预测基本语篇单元之间的依赖结构和关系,并为下游任务提供功能丰富的结构信息。然而,现有的语料库与对话话语注释收集从特定的领域与有限的样本量,呈现数据驱动的方法的性能差传入的对话没有任何领域自适应。在本文中,我们首先介绍了一个基于transformer的解析器,并评估其跨域性能。接下来,我们采用三种方法从数据和语言建模的角度来获得域集成,以提高泛化能力。实验结果表明,神经解析器可以受益于我们提出的方法,并表现出更好的跨域对话样本。
2021-10-09 cs.CL
Multiresolution Recurrent Neural Networks: An Application to Dialogue Response Generation
University of Montreal(蒙特利尔大学);IBM Research(IBM研究院)
我们引入了多分辨率递归神经网络,它扩展了序列到序列框架,将自然语言生成建模为两个并行的离散随机过程:一个高级粗令牌序列和一个自然语言令牌序列。有很多方法来估计或学习的高层次的粗令牌,但我们认为,一个简单的提取过程是足以捕捉丰富的高层次的话语语义。这样的过程允许通过最大化两个序列的精确联合对数似然来训练多分辨率递归神经网络。与标准的对数似然目标w.r.t.自然语言标记(单词困惑),优化联合对数似然模型偏向于建模高级抽象。我们将所提出的模型应用到两个具有挑战性的领域中的对话响应生成任务:Ubuntu技术支持域和Twitter对话。在Ubuntu上,该模型的性能大大优于竞争方法,根据自动评估指标和人工评估研究,都获得了最先进的结果。在Twitter上,该模型似乎根据自动评估指标生成更相关和更主题的响应。最后,我们的实验表明,该模型更善于克服自然语言的稀疏性,能够更好地捕捉长期结构。
2016-06-14 cs.AI cs.CL cs.LG
Discourse Coherence and Response-Guided Context Rewriting for Multi-Party Dialogue Generation
School of Computer Science and Technology, Soochow University(苏州大学计算机科学与技术学院)
本文提出DRCR框架,通过对话上下文重写提升多方对话生成效果,利用对话连贯性和响应质量构建偏好数据,并采用动态自进化学习方法增强重写与响应能力。
2026-04-13 cs.CL
Mind2: Mind-to-Mind Emotional Support System with Bidirectional Cognitive Discourse Analysis
University of Arkansas(阿肯色大学)
针对现有情绪支持系统缺乏及时语境与可解释性的问题,提出Mind2框架,通过动态话语语境传播窗口和双向认知话语分析生成支持对话,仅用10%训练数据就达到了当前最优水平。
2025-03-17 cs.AI cs.CL
Discourse Obligations in Dialogue Processing
我们表明,在建模的社会互动,特别是对话,义务的态度可以是一个有用的辅助普遍认为信仰,目标和意图的态度,他们的相互和共享的对应物。特别是,我们展示了如何话语义务可以用一种自然的方式来解释对话中的问题和答案之间的联系,以及如何将义务与话语背景的其他部分一起使用,以扩大对话系统的覆盖范围。
1994-07-14 cmp-lg cs.CL
Discourse Coherence, Reference Grounding and Goal Oriented Dialogue
Rutgers(罗格斯大学)
以前的方法来实现混合主动人机参考通信采用信息状态或协作解决问题的方法。在本文中,我们主张一种新的方法,如SDRT \cite{asher-lascarides:2003a},话语附加到一个不断发展的话语结构和相关的知识图谱的扬声器承诺作为一个接口,以现实世界的推理和会话策略的连贯性为基础的话语模型的启发。作为实现该方法的第一步,我们描述了一个简单的对话系统中的参考通信域,积累跨话语的约束,解释他们使用学习的概率模型,并计划澄清使用强化学习。
2020-07-08 cs.CL
Dialogue Discourse-Aware Graph Model and Data Augmentation for Meeting Summarization
Harbin Institute of Technology(哈尔滨工业大学)
会议摘要是一个具有挑战性的任务,由于其动态的多个发言人之间的互动性质和缺乏足够的训练数据。现有的方法将会议视为一个线性的话语序列,而忽略了每个话语之间的多样性关系。此外,有限的标记数据进一步阻碍了数据饥渴神经模型的能力。在本文中,我们试图通过引入对话-话语关系来缓解上述挑战。首先,我们提出了一个对话话语Dware会议摘要(DDAMS)明确建模的话语之间的相互作用在会议上建模不同的话语关系。其核心模块是关系图编码器,以图交互的方式对话语和话语关系进行建模。此外,我们设计了一个对话话语感知数据增强(DDADA)策略,从现有的输入会议,这是20倍以上的原始数据集,可用于预训练DDAMS构建伪摘要语料库。AMI和ICSI会议数据集上的实验结果表明,我们的整个系统可以达到SOTA性能。我们的代码将在https://github.com/xcfcode/DDAMS上提供。
2021-05-19 cs.CL
From Persona to Person: Enhancing the Naturalness with Multiple Discourse Relations Graph Learning in Personalized Dialogue Generation
Department of Computer Science(计算机科学系);Information Engineering, National Cheng Kung University, Taiwan(信息工程系,国立云林科技大学,台湾);Department of Computer Science, National Tsing Hua University, Taiwan(计算机科学系,国立清华大学,台湾)
针对个性化对话生成中回复需兼顾连贯性与人设一致性的挑战,提出MUDI方法,借助大语言模型构建对话图、用DialogueGAT捕捉话语关系,并通过连贯感知注意力提升生成质量,使回复更自然类人。
2025-06-13 cs.CL
Enhancing Dialogue Systems with Discourse-Level Understanding Using Deep Canonical Correlation Analysis
针对现有模型难以捕捉长期对话历史的局限,提出集成深度典型相关分析(DCCA)的篇章级理解框架,通过学习篇章标记捕捉 utterance 与上下文关系,在 Ubuntu Dialogue Corpus 上显著提升响应选择性能,为改进对话系统提供新方法。
2025-04-12 cs.CL
Discourse Structure Extraction from Pre-Trained and Fine-Tuned Language Models in Dialogues
Université de Lorraine(洛林大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);LORIA(洛林计算机科学及其应用研究所);University of British Columbia(不列颠哥伦比亚大学);IRIT(图卢兹计算机科学研究所);Université de Toulouse(图卢兹大学);ANITI(图卢兹人工智能与自然智能研究所)
针对对话篇章处理的数据稀疏问题,提出基于PLMs注意力矩阵的无监督和半监督方法,结合对话定制微调任务,在STAC语料库上取得显著效果。
2023-06-25 cs.CL
Athena: Constructing Dialogues Dynamically with Discourse Constraints
University of California, Santa Cruz(加州大学圣克鲁兹分校)
这份报告介绍了雅典娜,一个对话系统的口头交谈的热门话题和时事。我们开发了一个灵活的主题不可知的对话管理方法,动态配置对话的基础上,实体和主题的一致性的一般原则。Athena的对话管理器使用基于契约的方法,其中话语约束被分派到响应生成器的集群。这使得Athena能够从动态源获得响应,例如知识图谱遍历和基于特征的即时响应检索方法。在描述了对话系统架构之后,我们对Athena在2019年Alexa Prize竞赛期间参与的对话进行了分析。最后,我们对几个用户进行了研究,以更好地了解个人用户的特点如何影响系统的评级报告。
2020-11-21 cs.CL
Pre-training Multi-party Dialogue Models with Latent Discourse Inference
Shanghai Jiao Tong University(上海交通大学);Tencent AI Lab(腾讯人工智能实验室)
本文提出将多方对话的话语结构作为潜在变量,通过无监督潜在变量推断联合推断回复关系并预训练话语感知模型,在多个下游任务上取得SOTA结果。
2023-05-24 cs.CL
Referring Expression Generation in Visually Grounded Dialogue with Discourse-aware Comprehension Guiding
KTH Royal Institute of Technology(瑞典皇家理工学院)
针对视觉落地对话中的指称表达生成,本文提出两阶段方法,先用文本和视觉条件自回归生成候选 RE,再通过话语感知理解引导重排序,提升了表达的区分性与文本-图像检索准确率。
2024-09-09 cs.AI cs.CL cs.CV
Joint Modeling of Content and Discourse Relations in Dialogues
Northeastern University(东北大学);Massachusetts Institute of Technology(麻省理工学院)
我们提出了一个联合建模方法,以确定显着的讨论点,在口头会议,以及标记的话轮之间的话语关系。当话语关系被视为潜变量时,我们的模型的变化也进行了讨论。两个流行的会议语料库上的实验结果表明,我们的联合模型可以优于国家的最先进的方法,基于短语的内容选择和话语关系预测任务。我们还评估了我们的模型预测团队成员之间的一致性理解他们的群体决策。使用从我们的模型构建的特征训练的分类器比最先进的方法具有更好的预测性能。
2017-05-14 cs.CL
Discourse Diversity in Multi-Turn Empathic Dialogue
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Microsoft Research(微软研究院);University of Washington(华盛顿大学)
研究探讨了大型语言模型在多轮共情对话中语篇策略的多样性问题,提出MINT框架通过强化学习提升对话多样性,显著提高共情效果并减少重复。
2026-04-13 cs.AI cs.CL
Revisiting Conversation Discourse for Dialogue Disentanglement
Wuhan University(武汉大学);National University of Singapore(新加坡国立大学);Singapore Management University(新加坡管理大学)
该研究针对对话解缠任务,通过构建异构图建模话语结构、设计分层排序损失与易优先解码算法,在两个基准数据集上取得最优性能,可支撑多方多线程对话应用。
2023-06-10 cs.CL
An Unsupervised Dialogue Topic Segmentation Model Based on Utterance Rewriting
Beijing Information Science & Technology University(北京信息科技大学)
针对多轮对话中共指、省略影响无监督主题分割效果的问题,提出结合话语改写技术的UR-DTS模型,通过改写恢复共指与省略内容,在DialSeg711、Doc2Dial数据集上实现性能提升,达到无监督SOTA水平。
2024-09-12 cs.AI cs.CL
Structured Dialogue Discourse Parsing
Carnegie Mellon University(卡内基梅隆大学)
针对对话话语解析中链接与关系独立解码及忽略全局结构的问题,提出基于邻接矩阵结构化编码与matrix-tree学习联合优化的方法,利用修改版Chiu-Liu-Edmonds算法解码生成多根非投影生成树,无需手工特征,在STAC和Molweni上取得SOTA。
2023-06-26 cs.CL
Mixed Initiative in Dialogue: An Investigation into Discourse Segmentation
两个人之间的谈话通常是混合主动的,谈话的控制权从一个人转移到另一个人。我们将一组控制权转移规则应用于4组对话,共1862个回合。控制规则的应用,让我们得到领域独立的话语结构。派生结构表明,主动性在语篇结构中起着重要作用。为了探讨控制和主动性与话语过程(如中心化)的关系,我们分析了两组数据中四类回指的分布情况。这种分布表明,一些控制段与其他控制段在层次上相关。分析表明,话语参与者通常都同意改变话题。我们还比较了主动性的任务导向和提供建议的对话,发现这两种对话类型的控制分配和控制转移的方式是完全不同的。这些差异可以用协同规划原则来解释。
1995-04-05 cmp-lg cs.CL
From Words to Wisdom: Discourse Annotation and Baseline Models for Student Dialogue Understanding
Department of Electrical and Computer Engineering, Tufts University(电气与计算机工程系,塔夫茨大学);Department of Computer Science and Information Technology, Patuakhali Science and Technology University(计算机科学与信息技术系,帕图阿哈利科学与技术大学);Department of Electrical and Computer Engineering, Computer Science and Biomedical Engineering, Tufts University(电气与计算机工程系,计算机科学与生物医学工程系,塔夫茨大学);Department of Mechanical Engineering and Education, Tufts University(机械工程与教育系,塔夫茨大学)
本文提出一个标注的教育对话数据集和基于预训练模型的基线模型,用于自动检测学生对话中的语篇特征,发现现有模型在该任务上表现欠佳,提示未来研究方向。
2025-11-25 cs.CL
Discourse Processing of Dialogues with Multiple Threads
在本文中,我们将介绍我们正在进行的工作,基于计划的话语处理器开发的背景下,热情的西班牙语到英语翻译系统的一部分,JANUS多语言语音到语音翻译系统。我们将证明,话语理论,假设一个严格的树结构的话语无论是有意或注意水平是不完全足够的处理自发的对话。我们将提出我们的扩展,这种方法,以及它的实现在我们的计划为基础的话语处理器。我们将证明,我们的方法的实现优于基于严格的树结构方法的实现。
1995-04-27 cmp-lg cs.CL
Incorporating Annotator Uncertainty into Representations of Discourse Relations
University at Buffalo(布法罗大学)
针对口语会话中新手标注话语关系的不确定性,本文提出融合置信度与对话上下文的共现分布式表示,并通过层次聚类验证其能有效建模标签不确定性。
2023-08-14 cs.CL
Can Neural Generators for Dialogue Learn Sentence Planning and Discourse Structuring?
University of California, Santa Cruz(加州大学圣克鲁兹分校)
任务型对话系统中的应答往往实现多个命题,其最终形式取决于句子规划和语篇构建操作的使用。例如,推荐可以由明确的评价话语组成,例如Chanpen Thai是最佳选项,以及由理由话语关系相关的内容,例如It has great food and service,其将多个命题组合成单个短语。虽然神经生成方法在一个端到端学习框架中集成了句子规划和表面实现,但以前的工作尚未表明神经生成器可以:(1)执行常见的句子规划和话语结构化操作;(2)决定是在单个句子中还是在多个句子中实现内容;(3)决定是否在一个句子中实现内容。(3)概括训练中所见之外的句子规划和语篇关系操作。我们系统地创建大型训练语料库,展示特定的句子规划操作,然后测试神经模型,看看它们学到了什么。我们比较了没有显式潜变量的句子规划模型与在训练过程中提供显式监督的模型。我们表明,只有额外的监督模型可以重现句子规划和话语操作,并推广到训练中看不到的情况。
2018-11-01 cs.CL
Molweni: A Challenge Multiparty Dialogues-based Machine Reading Comprehension Dataset with Discourse Structure
Harbin Institute of Technology(哈尔滨工业大学);National University of Singapore(新加坡国立大学);Peng Cheng Laboratory(鹏城实验室)
近年来,对多党对话领域的研究有了相当大的增长。我们提出了Molweni数据集,一个机器阅读理解(MRC)数据集的话语结构建立在多方对话。Molweni的源代码样本来自Ubuntu聊天语料库,包括10,000个对话框,包含88,303个话语。我们在这个语料库上标注了30,066个问题,包括可回答和不可回答的问题。Molweni还在修改的分段话语表示理论(SDRT; Asher et al.,2016)风格,贡献了大规模(78,245注释话语关系)数据来承担多方对话话语解析的任务。我们的实验表明,Molweni对于当前MRC模型来说是一个具有挑战性的数据集:BERT-wwm,一个当前强大的SQuAD 2.0性能,在Molweni的问题上只实现了67.7%的F1,与其SQuAD 2.0性能相比,显著下降了20%以上。
2020-11-07 cs.CL
Uncovering the Potential of ChatGPT for Discourse Analysis in Dialogue: An Empirical Study
CUHKSZ(香港中文大学(深圳))
本文通过设计提示模板并在六个数据集上实验,系统评估 ChatGPT 在对话主题分割与语篇解析中的能力,揭示其领域差异及对层级修辞结构的线性化局限。
2024-03-05 cs.CL
Unsupervised Mutual Learning of Discourse Parsing and Topic Segmentation in Dialogue
针对对话中话语解析与主题分割的监督标注昂贵及无监督方法忽视二者交互的问题,提出统一表示与两个语言学假设,构建无监督互学习框架UMLF,联合建模修辞与主题结构,在多个数据集上超越强基线并有效提升大语言模型的话语结构建模。
2025-02-24 cs.CL
Enhanced Speaker-aware Multi-party Multi-turn Dialogue Comprehension
Shanghai Jiao Tong University(上海交通大学)
多方多话轮对话理解在处理多个说话人的复杂场景和说话人意识话语之间的交叉话语关系方面带来了前所未有的挑战。大多数现有的方法处理的对话上下文作为纯文本和重视不够的关键说话人意识的线索。在这项工作中,我们提出了一个具有掩蔽注意力和异构图网络的增强的说话者感知模型,以全面捕获来自说话者属性和说话者感知关系双方的话语线索。通过这种全面的说话者感知建模,实验结果表明,我们的说话者感知模型有助于在基准数据集Molweni上实现最先进的性能。实例分析表明,该模型增强了话语与说话人之间的联系,捕捉到了说话人感知的话语关系,这对对话建模至关重要。
2021-09-09 cs.CL
EmoDynamiX: Emotional Support Dialogue Strategy Prediction by Modelling MiXed Emotions and Discourse Dynamics
LTCI, Télécom Paris, Institut Polytechnique de Paris(LTCI,Telecom Paris, Institut Polytechnique de Paris);Inria Paris(Inria巴黎)
针对LLMs端到端情感支持对话系统策略不透明及偏好偏差问题,提出EmoDynamiX框架,将策略预测与生成解耦,建模用户细粒度情绪与系统策略的话语动态,提升性能与透明度。
2025-06-16 cs.CL
Cues and control in Expert-Client Dialogues
我们对控制与语篇结构的关系进行了实证分析。我们应用控制标准,四个对话,并确定了3个层次的话语结构。我们研究了这些结构之间的控制变化的机制,发现话语类型,而不是线索词预测的控制转移。当话语目标成功实现时,参与者使用某些类型的信号,而当话语目标失败时,参与者则采用打断的方式。
1995-04-05 cmp-lg cs.CL
A Multi-view Discourse Framework for Integrating Semantic and Syntactic Features in Dialog Agents
针对现有多轮对话模型忽略话语交互或同等对待所有话语的问题,本文提出语篇感知框架,通过MCCA和CCA两步法整合语义与句法特征,在Ubuntu语料库上提升响应选择效果。
2025-04-12 cs.CL
Toward Dialogue Modeling: A Semantic Annotation Scheme for Questions and Answers
LORIA(洛林计算机科学及其应用实验室);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所)
本研究提出了一种对问答对的内容和语篇贡献进行分类的标注方案。我们提出了使用该计划的详细指导方针,并将其应用于英语,西班牙语和荷兰语的对话。最后,我们报告了自动注释的初始机器学习实验。
2019-08-23 cs.AI cs.CL
Beyond Supervised Clarification: Input Rewriting with LLMs for Dialogue Discourse Parsing
研究在无监督条件下利用LLM零样本或基于解析器反馈重写输入以提升对话篇章解析性能,发现重写常引入回归,提出选择性干预问题并识别可重写性预测为关键缺失能力。
2026-07-03 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
Discourse-Aware Dual-Track Streaming Response for Low-Latency Spoken Dialogue Systems
School of Computer Science and Technology, Tongji University(同济大学计算机科学与技术学院);Department of Language Science and Technology, Hong Kong Polytechnic University(香港理工大学语言科学与技术系);Artificial Intelligence Research Institute, Shenzhen University of Advanced Technology(深圳先进技术大学人工智能研究院);School of Data Science, Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)数据科学学院);School of Artificial Intelligence, Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳)人工智能学院)
DDTSR 提出了一种低延迟语音对话系统框架,通过双轨流式响应机制实现听中思考和说中思考,显著降低响应延迟并保持 discourse 质量。
2026-02-26 cs.CL
"Dialogue" vs "Dialog" in NLP and AI research: Statistics from a Confused Discourse
University of California, Davis(加利福尼亚大学戴维斯分校)
本文通过分析数千篇NLP/AI论文,统计了dialogue与dialog两种拼写的分布及影响因素,发现计算领域混用现象尤为突出,且无明确时间趋势或决定性因素,并探讨了可能的分歧理论。
2024-12-31 cs.CL
Discourse and Deliberation: Testing a Collaborative Strategy
话语策略是与另一个主体进行交流的策略。设计有效的对话系统需要设计能够在话语策略中进行选择的代理。我们认为有效策略的设计必须考虑认知因素,提出了一种新的方法来检验假设的因素,并提出了一个有效的策略,支持审议的实验结果。计算对话模拟方法的提出为计算语言学提供了新的经验基础。
1995-03-16 cmp-lg cs.CL
Discourse-Wizard: Discovering Deep Discourse Structure in your Conversation with RNNs
University of Hamburg(汉堡大学)
口语语言理解是对话系统的关键因素之一,而会话中的语境对理解当前话语起着重要作用。在这项工作中,我们通过在线Web界面现场演示展示了神经网络模型对话中上下文的重要性。我们开发了两种不同的神经模型:不使用上下文的模型和基于上下文的模型。无上下文模型在话语级别对对话行为进行分类,而基于上下文的模型则考虑了一些先前的话语。我们使用模块化服务器架构将这些经过训练的神经模型作为一个名为Discourse-Wizard的现场演示提供。现场演示为会话分析和发现会话中的深层话语结构提供了一个易于使用的界面。
2018-06-29 cs.CL cs.HC cs.LG
Recurrent Convolutional Neural Networks for Discourse Compositionality
Oxford University(牛津大学)
意义的组合性超出了单个句子。正如单词组合形成句子的意义一样,句子组合形成段落,对话和一般话语的意义。我们介绍了相应的两个层次的组合性的句子模型和话语模型。句子模型采用卷积作为语义向量构成的中心运算,并基于一种新型的分层卷积神经网络。话语模型扩展了句子模型,并基于一个递归神经网络,该网络以一种新颖的方式对当前句子和当前说话者进行调节。语篇模型能够捕捉句子的顺序性和不同说话者之间的互动。在没有特征工程或预训练的情况下,通过简单的贪心解码,与句子模型耦合的话语模型在对话行为分类实验上获得了最先进的性能。
2013-06-15 cs.CL
When did you become so smart, oh wise one?! Sarcasm Explanation in Multi-modal Multi-party Dialogues
Indraprastha Institute of Information Technology Delhi(德里英德拉普拉斯塔信息技术学院)
在人类交际中,诸如讽刺等间接言语实现了一系列的话语目标。虽然比喻语言的间接性保证了说话者实现某些语用目标,但人工智能智能体理解人类交流的这种特质是具有挑战性的。虽然讽刺识别一直是对话分析中的一个很好的探索主题,会话系统要真正把握会话的内在含义并产生适当的反应,简单地检测讽刺是不够的;解释其潜在的讽刺内涵以捕捉其真正的本质是至关重要的。在这项工作中,我们研究了讽刺会话的话语结构,并提出了一个新的任务--对话中的讽刺解释(SED)。该任务设置在多模态和代码混合的环境中,旨在生成讽刺对话的自然语言解释。为此,我们策划了WITS,一个新的数据集来支持我们的任务。我们提出MAF(模态感知融合),多模态上下文感知的注意力和全球信息融合模块来捕获多模态,并使用它来基准测试WITS。所提出的注意力模块超越了传统的多模态融合基线,并报告了几乎所有指标的最佳性能。最后,我们进行了详细的定量和定性分析。
2022-03-12 cs.AI cs.CL
The Pragmatic Persona: Discovering LLM Persona through Bridging Inference
Department of Artificial Intelligence, Chung-Ang University, Seoul, 06974, Republic of Korea(Chung-Ang大学人工智能系);Department of Computer Science, University of British Columbia, Vancouver, BC V6T 1Z4, Canada(不列颠哥伦比亚大学计算机科学系);Van Lang University, Ho Chi Minh City, Vietnam(文-lang大学)
提出基于桥接推理的框架,通过构建话语级知识图谱捕捉LLM对话中的隐含语义关联,实现从话语连贯性层面发现稳定人格特征,优于基于频率或风格的基线方法。
2026-06-12 cs.AI cs.CL
ChatGPT Evaluation on Sentence Level Relations: A Focus on Temporal, Causal, and Discourse Relations
HKUST(香港科技大学);HKUST (GZ)(香港科技大学(广州))
该研究通过三种提示模板在11个数据集上评估ChatGPT的句间关系识别能力,首次建立相关任务基线,发现其因果关系推理强、时序与隐式话语关系及对话话语解析表现较弱。
2024-01-26 cs.CL