7-1 理论课：任务式对话系统

最新推荐文章于 2024-05-22 13:30:00 发布
最新推荐文章于 2024-05-22 13:30:00 发布
阅读量484 收藏 2
点赞数
分类专栏： 基于深度学习的自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_15821487/article/details/119082060
版权

一、对话系统分类
在这里插入图片描述
任务型对话具体领域的场景、闲聊型对话情感陪伴、问答型对话知识满足
在这里插入图片描述
智能家居的应用
在这里插入图片描述
消费电子应用
在这里插入图片描述
车载出现应用
在这里插入图片描述
智能客服应用，文字智能客服和语音智能客服
二、Pipeline型任务对话系统
在这里插入图片描述
在这里插入图片描述
NLU就是意图识别和词槽识别
在这里插入图片描述
NLU典型算法举例
在这里插入图片描述
DST 多伦对话的词槽概率分布的跟踪
在这里插入图片描述
DST算法模型原理
在这里插入图片描述
根据状态，得出相应的动作，类似强化学习，强化学习这块加强跟进
在这里插入图片描述
离线学习和在线学习，在线学习就是强化学习
在这里插入图片描述
机器自己跟自己对抗训练，类似自己跟自己下棋
在这里插入图片描述
自然语言生成NLG
在这里插入图片描述
类Pipeline就是pipeline的架构但是开源整体训练，端到端的模型
在这里插入图片描述
两种类型对比
在这里插入图片描述
端到端模型算法案列，分两阶段是因为要和知识库进行交互
在这里插入图片描述
工业界对话平台
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Rasa对话机器人连载一 第121课：Rasa对话机器人Debugging项目实战之电商零售对话机器人运行流程调试全程演示-1
段智华的博客
04-21 1023
Rasa 3.X对话机器人Debugging项目 全生命周期调试实战 Gavin大咖 2022-03-20 本电子书由段智华根据Gavin大咖Rasa AI上课内容整理编写。 https://blog.csdn.net/duan_zhihua NLP on Transformers高手之路137课 Rasa 3.x 源码高手之路 知识店铺：https://appybiyrtzd9613.h5.xiaoeknow.com/v1/goods/goods_detail/p_62277327e4b066e9608d
第05课：一文说透大模型
春华秋实
04-28 692
最近，有一个明显的感受，AI开始快速从感知职能向认知智能迈进了，也就是说，正从“能听、会说、会看”的感知智能，逐渐走向“能思考、能回答、能总结、能创作”的认知智能，甚至开始进行“决策和推理”了。
任务导向型对话系统 Task-oriented Dialog Systems 面向任务的对话系统 对话系统的预训练方法 领域适应 跨领域应用 鲁棒性 交互场景和用户行为 End-to-end模型
万有文的博客
05-22 1100
由于在人机交互和自然语言处理中的重要性和价值，面向任务的对话系统在学术界和工业界都受到越来越多的关注。在本文中，我们调查了面向任务的对话系统的最新进展和挑战。我们还讨论了面向任务的对话系统的三个关键主题：（1）提高数据效率以促进在资源匮乏的环境中进行对话建模；（2）为对话策略学习建模多回合模型以实现更好的任务完成性能；（3）将领域本体知识整合到对话模型中。此外，我们回顾了对话评估和一些常用语料库的最新进展。我们认为，尽管这项调查不完整，但可以为面向任务的对话系统的未来研究提供启发。
任务式对话系统
红豆的博客
05-30 828
*** 0.原理 1.有哪些知识点 2. 有什么开源工具、如何实现
任务型对话系统概要
Eric_LH的博客专栏
09-18 1282
任务型对话系统概要 将对话系统分解成管道（a pipeline） 1)语言理解language understanding, 2)对话状态跟踪dialog state tracking 3)行动选择策略action selection policy 4)语言生成language generation ...
深入浅出对话系统——任务型对话系统技术框架
日积月累，天道酬勤
08-07 4542
任务型对话系统所需要了解的基本概念。
对话系统 | (8) 任务型对话系统概述
sdu_hao的博客
08-27 4502
本篇博客主要参考/节选中科院自动化所王唯康博士的博士论文《任务型对话系统中对话管理方法研究》。 文章目录1. 概述2. 基于管道的任务型对话系统2.1 语言理解模块2.2 对话管理模块2.3 语言生成模块3. 端到端的任务型对话系统3.1 基于检索的任务型对话系统3.2 基于生成的任务型对话系统4. 任务型对话语料收集5. 用户仿真技术6. 问题分析 1. 概述 早期任务型对话系统基于规则实现，实现比较简单并在简单的对话任务中取得了不错的效果，但难以适用于复杂的对话任务，规则的撰写和维护需要消耗大量的人力
【课件】-复盘式萃取：绩优做法变经验glq.pptx
最新发布
06-05
### 知识点一：“复盘式”萃取——绩优做法变经验 #### 核心概念 - **“复盘式”萃取**：这是一种将个人或团队的成功经验提炼成可复制、可传承知识的方法论。通过系统地回顾、分析、总结绩效优秀者的工作流程与...
东师21春《教育学》在线作业1-0001参考答案.docx
10-24
1. **选项解析**： - A. 上层建筑：这一概念主要涉及社会结构中较高层次的文化、政治等体系，并非教育的本质。 - B. 保存并传播知识：教育确实承担着知识传承的任务，但其核心不仅仅是知识的简单传递。 - C. 生产...
智能客服平台的架构设计，实现高效、安全、可靠的服务运行：基于LLM的智能客服系统设计与实现
AI天才研究院
05-11 907
随着互联网技术的快速发展和人工智能技术的不断突破,智能客服系统已经成为企业提供优质客户服务的重要手段。传统的人工客服模式已经无法满足日益增长的客户需求,因此构建一个高效、安全、可靠的智能客服平台就显得尤为重要。智能客服平台通过整合自然语言处理、知识库、对话管理等技术,能够自动理解用户的问题,并给出相应的解答或服务指引。这不仅能够减轻人工客服的工作压力,还能提高服务效率,缩短响应时间,从而提升客户体验。然而,构建一个高质量的智能客服平台并非易事。
任务型对话系统最新的进展和挑战（2020年04月最新进展）
04-25
本文总结了目前任务型对话系统最新的进展和挑战，讨论了三个相关的关键问题：（1）如何提高数据使用效率，在资源不足的情况下对任务型对话系统进行建模;（2）如何为多轮对话的对话策略进行建模，使其在任务完成上表现的更好； （3） 如何将领域的本体知识集成到pipeline模型和端到端模型中。同时回顾了当前对话评估的方法和目前广泛使用的语料库的最新进展。
Python-NNDial是一个用于构建端到端可训练任务型对话模型的开源工具包
08-11
NNDial 是一个用于构建端到端可训练任务型对话模型的开源工具包，本项目来自剑桥大学，使用的数据集为 CamRest676。
简单的任务型机器问答对话含语料
06-20
简单的任务型机器问答对话，包含完整代码和语料。python3环境下运行
基于Alex框架的任务型多轮对话项目开发
03-03
对话系统旨在让用户和系统之间更加自然的对话，让系统记住用户历史话语。 网络上开源的对话系统架构不多，以OpenDial和Alex较为成熟。本文采用Alex的方式。 Alex 系统是由位于捷克的查理大学使用Python 2开发。
任务型对话系统：概述【NLU（自然语言理解：意图识别、槽位填充）】、【DM（对话管理）：DST（对话状态追踪）、DP（对话策略）】、NLG（自然语言生成 ）】
u013250861的博客
03-03 2773
早期任务型对话系统基于规则实现，实现比较简单并在简单的对话任务中取得了不错的效果，但难以适用于复杂的对话任务，规则的撰写和维护需要消耗大量的人力和物力。 后来得益于SVM、概率图模型和强化学习的发展，研究人员开始利用统计模型设计任务型对话系统，并提出部分可观测的马尔科夫决策过程设计框架，可以从对话数据中自动学习对话知识，一定程度上摆脱了对规则的依赖。 随着深度学习的发展，end2end模型被应用在了任务型对话系统设计中[1-5]。基于深度学习的任务型对话系统有两种路线：一种是基于Pipline，整个系统仍采
基于GPT-2的端到端任务型对话系统
u013250861的博客
06-19 689
任务型人机对话系统旨在帮助用户完成特定领域中的特定任务，例如：餐馆预订、天气查询和航班预订等，具有很高的应用价值。然而，一些问题阻碍了任务型对话系统在实际应用中进行部署：一方面，任务型对话数据的收集和标注费时费力，且不同领域之间难以迁移；另一方面，虽然开放域的无标注对话数据易于获取、数据量大，利用这些数据可以训练的基于 sequence-to-sequence 结构的端到端对话系统，但采用开放域数据训练的端到端对话系统没有任务相关的信息，容易产生不可靠和无意义的回复。研究表明，在对话数据上微调后的 GPT
任务型对话系统（Task-oriented Dialog Systems）综述
万有文的博客
05-13 3180
由于在人机交互和自然语言处理中的重要性和价值，面向任务的对话系统在学术界和工业界都受到越来越多的关注。在本文中，我们调查了面向任务的对话系统的最新进展和挑战。我们还讨论了面向任务的对话系统的三个关键主题：（1）提高数据效率以促进在资源匮乏的环境中进行对话建模；（2）为对话策略学习建模多回合模型以实现更好的任务完成性能；（3）将领域本体知识整合到对话模型中。此外，我们回顾了对话评估和一些常用语料库的最新进展。我们认为，尽管这项调查不完整，但可以为面向任务的对话系统的未来研究提供启发。
对话系统 | (4) 任务型对话系统基础
sdu_hao的博客
08-14 6350
本篇博客内容主要来自第十四届中国中文信息学会暑期学校暨中国中文信息学会《前沿技术讲习班》— 张伟男、车万翔《任务型对话系统》 PPT下载链接 1. 任务型对话系统概述 人机对话系统四大功能/分类 2. 任务型对话系统关键技术 任务型对话系统结构 自然语言理解 领域与意图识别 是一个分类问题。 语义槽填充 是一个序列标注任务。 研究热点 意图识别与槽填充联合学习 语境相关的自然语言理解 基于小样本学习的自然语言理解 （一） 意图识别与槽填充联合学习 1）意图识别与槽填充不是相互独立
【NLP】首个任务型对话系统中生成模块资源库Awesome-TOD-NLG-Survey开源！
fengdu78的博客
09-08 325
原创作者：覃立波、黎州扬、娄杰铭、禹棋赢、车万翔代码链接：https://github.com/yizhen20133868/Awesome-TOD-NLG-Survey简介自然语言生成（...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值
>