![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
问答-任务型问答
文章平均质量分 92
nopSled
一周一更
展开
-
History-Adaption Knowledge Incorporation Mechanism for Multi-Turn Dialogue System翻译
构建一个人机对话agent是人工智能中最重要,最具挑战性的任务之一。最近,由于大量可用的人类对话数据和基于神经网络的强大模型,建立一个开放领域对话的聊天机器人已经吸引了研究人员的兴趣。现有方法是基于检索或基于生成的方法。基于检索的方法将对话语义表示与几个候选响应匹配,然后选择适当的一个作为对人类输入的答复。另一方面,基于生成的方法直接通过自然语言生成技术生成响应。我们专注于基于检索的聊天机器人的响应选择问题,因为基于检索的方法具有提供流利和信息丰富响应的优势。翻译 2022-11-01 17:16:59 · 76 阅读 · 0 评论 -
BoB: BERT Over BERT for Training Persona-based Dialogue Models from Limited Personalized Data翻译
目前已经有各种方法探索在对话模型中引入显式的画像。画像可以定义为一系列身份元素的组合,例如个人资料。在基于画像的对话中,生成的响应不仅要基于对话上下文,还要基于给定的画像,从而使私人化表现更加一致。现有的基于画像的对话模型利用了大量和画像相关的对话数据,例如PersonaChat。这种众包数据集涵盖了丰富的画像特征。然而,这种众包数据集的规模受标注成本高昂的限制:这要求两个标注人基于给定的画像来自然地交谈,以便在谈话中互相认识。另一方面,日常生活中的对话并不总是与画像相关的。翻译 2022-10-21 11:49:12 · 300 阅读 · 0 评论 -
Medical Dialogue Response Generation with Pivotal Information Recalling翻译
医疗对话系统(MDS)由于其较高的实用价值而受到了很多关注。以前的工作通常将对话历史建模为文本序列,并采用基于大规模文本预训练的编码器和解码器来构建序列到序列(Seq2Seq)模型。为了全面理解患者,医疗对话总是相对较长,并且这些语句中散布着丰富的医学术语。一些工作将外部医学知识引入Seq2Seq模型,并表明它可以改善性能。但是这些工作无法充分利用不同语句之间的复杂医学关系,这对于生成下一个响应很重要。如图1所示,实体tenesmus和enteritis表明了语句#1和语句#4之间的症状疾病关系。翻译 2022-09-16 15:28:08 · 268 阅读 · 0 评论 -
Learning Low-Resource End-To-End Goal-Oriented Dialog for Fast and Reliable System Deployment翻译
端到端的神经模型在构建灵活的面向目标的对话系统方面具有巨大的潜力。可以直接在历史对话中训练它们,而无需任何特定领域的手工处理,这使其易于自动扩展到新的领域。但是,这些模型通常需要大量数据,并且仅能被成功应用于具有丰富数据集的领域。在实际情况下,端到端对话模型的常见问题包括:(1)由于数据收集和清洗成本高,因此缺乏合适的对话训练数据,即数据稀缺问题;(2) 在有限数据和未知在线测试样例之间存在很大差距,即协变量偏移效应。翻译 2022-09-09 17:37:41 · 91 阅读 · 0 评论 -
Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation翻译
具有良好结构化医学知识的人类医生仅需通过与患者的几次对话就能诊断出疾病。相比之下,现有的基于知识的对话系统通常需要大量的对话样例来学习,因为它们无法捕获不同疾病之间的相关性,而忽略了其中共享的诊断经验。为了解决这个问题,我们提出了一个更自然,更实用的范式,即低资源医疗对话生成,可以将诊断经验从源疾病转移到具有少数数据目标疾病。它在常识知识图上大写,以表征先前的疾病症状关系。此外,我们开发了一种 Graph-Evolving Meta-Learning(GEML) 框架,该框架学会了在常识图推理新疾病和其它翻译 2022-08-30 15:58:24 · 373 阅读 · 0 评论 -
Towards Causality-Aware Inferring: A Sequential Discriminative Approach for Medical Diagnosis翻译
医疗诊断助手(MDA)的目的是学习一种能够与患者依次相互的agent,以收集症状信息,并进行初步诊断。由于巨大的工业潜力,MDA任务吸引了越来越多研究人员的关注。类似于其他面向任务的对话,例如电影票/餐厅预订,在线购物和技术支持,MDA由用户与agent之间的一系列基于对话的交互组成,可以作为马尔可夫决策过程,并通过深度强化学习(RL)解决。翻译 2022-08-19 17:06:17 · 393 阅读 · 0 评论 -
Semi-Supervised Variational Reasoning for Medical Dialogue Generation翻译
医疗对话生成旨在提供自动和准确的响应,以帮助医生以高效的方式给出诊断和治疗建议。在医疗对话中,有两个关键特征与响应生成有关:患者状态(例如症状,药物)和医师的行为(例如诊断,治疗)。在医疗方案中,由于高成本和隐私要求,通常不可能获得大规模的人工标注数据。因此,当前的医疗对话生成方法通常不会显式考虑患者状态和医生动作,而是专注于隐式表示。 我们为医疗对话生成提出了一种端到端的变分推理方法。为了能够处理有限的标注数据,我们将患者状态和医生动作作为具有类别先验的潜在变量,以分别进行患者状态追踪以及医生策略学习翻译 2022-07-07 15:27:59 · 453 阅读 · 0 评论 -
Task-oriented Dialogue System for Automatic Disease Diagnosis via Hierarchical RL翻译
在本文中,我们专注于在面向任务的对话环境中使用加强学习(RL)方法来学习自动疾病诊断。与常规的RL任务不同,疾病诊断的动作空间(例如,症状)很大,尤其是当疾病数量增加时。但是,现有的方法针对该问题采用了一个flat RL策略,该策略通常在简单任务中效果表现很好,但在诸如疾病诊断之类的复杂情况下面临重大挑战。为此,我们提出将一个两级分层策略整合到对话策略学习中。高级策略由一个名为master的模型组成,该模型负责触发低级策略的模型,低级策略由若干症状检查器和疾病分类器组成。与现有系统相比,在真实世界数据集和合翻译 2022-07-04 14:00:42 · 230 阅读 · 0 评论 -
Entity-Consistent End-to-end Task-Oriented Dialogue System with KB Retriever翻译
在端到端面向任务的对话系统中,查询知识库(KB)长期以来一直是一个挑战。以前的序列到序列(Seq2Seq)对话生成工作将KB查询看作是在整个KB上的注意力,而没有保证生成的实体彼此一致。在本文中,我们提出了一个新的框架,该框架将KB查询分为两个步骤,以提高生成实体的一致性。在第一步中,受到通常可以通过单个KB行支持响应这一观察的启发,我们引入了KB检索组件,给定一个对话历史,该组件能够显式返回最相关的KB行。检索结果进一步用于过滤Seq2Seq响应生成模型中的无关实体,以提高输出实体之间的一致性。在第二步中翻译 2022-06-30 13:31:03 · 70 阅读 · 0 评论 -
End-to-End Knowledge-Routed Relational Dialogue System for Automatic Diagnosis翻译
除了当前引起越来越多关注的对话聊天机器人或面向任务的对话系统外,我们进一步开发一种自动医学诊断的对话系统,该系统通过与患者对话,以收集超出其自我描述以外的其他症状,并自动诊断。除了对话对话系统自身的挑战(例如主题转移的连贯性和问题理解)外,自动医学诊断在医学知识和症状 - 疾病关系的背景下进一步提出了对对话合理性的更关键要求。现有的对话系统主要依赖于数据驱动学习,并且无法编码外部专家知识图谱。在这项工作中,我们提出了一个End-to-End Knowledge-routed Relational Dialo翻译 2022-06-24 15:16:52 · 307 阅读 · 0 评论 -
Task-oriented Dialogue System for Automatic Diagnosis翻译
在本文中,我们建立了一个自动诊断的对话系统。我们首先通过从在线医学论坛的患者自我报告以及患者和医生之间的对话数据中提取症状来收集数据集。然后,我们提出了一个面向任务的对话系统框架,以自动为患者进行诊断,并且可以和患者交谈来收集不在已有报告中的其他症状。在我们数据集中的实验结果表明,从对话中提取的其他症状可以极大地提高疾病识别的准确性,我们的对话系统能够自动收集这些症状并做出更好的诊断。近年来,使用电子病例(EHR)来进行自动表格识别一直是热门的话题。研究人员探索了各种机器学习方法,以识别有多种类型信息(数值翻译 2022-06-23 16:36:25 · 189 阅读 · 0 评论 -
The AI Doctor Is In: A Survey of Task-Oriented Dialogue Systems for Healthcare Applications翻译
面向任务的对话系统在医疗卫生领域中越来越普遍出现,并且以各种各样的结构和目标为特征。尽管这些系统从非技术的角度在医学界进行了评估,但从严格的计算角度来看,对系统的评价迄今为止是明显缺乏的。因此,许多重要的面向医疗卫生对话系统的实现细节仍然有限或不具体,从而减慢了该领域的创新节奏。为了填补这一空白,我们研究了来自著名的计算机科学,自然语言处理和人工智能会议的4070篇论文,并确定了70篇用于医疗卫生的面向任务对话系统实现的论文。我们对这些论文进行了全面的技术审查,并介绍了我们的关键发现,包括明显的差别和对应的翻译 2022-06-22 15:54:56 · 228 阅读 · 0 评论