《论文阅读》Towards Building an Open-Domain Dialogue System Incorporated with Internet Memes

70 篇文章 59 订阅 ¥29.90 ¥99.00
本文探讨了如何在开放域对话系统中整合互联网Meme,涉及文本响应建模、Meme检索和Meme情感分类。研究发现,预训练对话模型能有效生成连贯回复,而Meme检索则被视为文本匹配问题。通过建模对话中的情绪流,提高了Meme情感分类的性能。未来的研究方向包括改进模型对未知Meme的情感分类预测。
摘要由CSDN通过智能技术生成

《论文阅读》Towards Building an Open-Domain Dialogue System Incorporated with Internet Memes

期刊:Computer Science - Computation and Language

类型:情感对话 && DSTC10 开放域对话挑战

特点:带有meme的多轮双方对话,基于PLATO-2模型实现

The generation model of PLATO2 is used for Task1. The evaluation model of PLATO-2 is employed for the fine-tuning of Task2 and Task3.

本文带来Hua Lu, Zhen Guo, Chanjuan Li, Yunyi Yang, Huang He, Siqi Bao共同创作的文章

简介

近年来,网络表情包在网上聊天中得到了广泛的应用。与基于文本的交流相比,当包含互联网Meme时,对话变得更具表现力和吸引力。本文介绍了我们针对 DSTC10 的 Meme 并入开放域对话 (MOD) 挑战的解决方案,其中涉及三个任务:文本响应建模、meme 检索和 meme 情感分类。

首先,我们利用大规模预训练对话模型来生成连贯且信息丰富的回复。

其次,基于基于交互的文本匹配,我们的方法可以检索具有良好泛化能力的适当Meme。

第三,我们建议对对话中的情绪流(EF)进行建模,并引入情绪描述预测(EDP)的辅助任务来提高Meme情绪分类的性能。在 MOD 数据集上的实验结果表明,我们的方法可以有效地将互联网Meme整合到对话系统中。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
近年来,半监督深度面部表情识别成为了人们关注的热点问题之一。在这个领域,研究人员一直致力于利用少量有标签的数据和大量无标签的数据来提高面部表情识别的准确性和鲁棒性。Adaptive是一种有效的半监督学习方法,它能够自适应地利用标签和无标签数据,使得深度学习模型在应用于面部表情识别时更加有效。 半监督学习是一种机器学习方法,利用少量有标签的数据和大量无标签的数据来训练模型。在面部表情识别中,往往很难获取大量有标签的数据,而无标签数据却很容易获取,因此半监督学习成为了一种有吸引力的解决方案。通过利用Adaptive方法,研究人员可以更好地利用无标签数据,提高模型的泛化能力和鲁棒性,从而提升面部表情识别的准确性。 Adaptive方法还可以帮助模型在数据分布变化时自适应地调整,使得模型更具灵活性和稳健性。在面部表情识别任务中,由于不同环境和条件下的面部表情具有差异性,Adaptive方法能够使模型更好地适应这种差异,提高识别的鲁棒性。 总之,半监督深度面部表情识别与Adaptive方法的结合,有望提高面部表情识别的准确性和鲁棒性,为人们提供更加高效和可靠的面部表情识别技术。相信随着更多研究和实践的开展,半监督深度面部表情识别将迎来更加广阔的发展前景。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

365JHWZGo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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