《论文阅读》Neural Approaches to Conversational AI(1)
Question Answering, Task-oriented Dialogues and Social Chatbots
本周将阅读Jianfeng Gao、Michel Galley和Lihong Li共同编写的论文
摘要
- 概述最近几年在会话AI领域发展的神经方法
- 将对话系统分成三类,每一类用具体的系统和模型展示最好的神经方法的回顾,讨论与传统方法分不同,现在取得的成绩和仍需面临的挑战
简介
作者开门见山提出,智能对话系统不仅要模仿人类对话还要回答各种类型的问题,这是智能对话系统长期的目标,好在在深度学习、加强学习等应用于会话AI,外加大量数据用于训练过程使得在学术界实现这一目标变得有希望。
本文是对前人工作的扩展和补充,不仅仅在数据和监督学习上研究,并且这也是第一个概述在会话AI的神经方法,目标对象上NLP和IR研究人员。
本文的贡献在于:
- 概述包含从优化决策的统一观点出发的QA、任务型和社交机器人领域的神经方法
- 强调不同,更好理解研究是如何推进的并且我们还可以怎样改进
- 提出使用监督学习和RL来训练对话代理的方法
- 勾勒出了由研究团体开发并在行业中发布的对话系统的概况,并通过案例研究展示了已取得的进展以及我们仍面临的挑战
对话难题
在对话中一般有三类问题亟需解决: