《论文阅读》Improving Multi-turn Emotional Support Dialogue Generation with Lookahead Strategy Planning

最新推荐文章于 2024-12-28 16:42:46 发布
最新推荐文章于 2024-12-28 16:42:46 发布
阅读量395 收藏 1
点赞数 1
分类专栏： 情感对话 文章标签： 论文阅读 多轮对话 情感支持 ES 向前策略
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_44833392/article/details/129236454
版权
情感对话 专栏收录该内容
72 篇文章 70 订阅 ¥29.90 ¥99.00
订阅专栏
本文介绍了《Improving Multi-turn Emotional Support Dialogue Generation with Lookahead Strategy Planning》的研究，该论文探讨了如何通过向前策略规划改进多轮情感支持对话生成。作者提出动态建模用户状态和利用NRC VAD Lexicon，以及考虑策略对未来影响的重要性。实验表明，情绪因素对对话效果影响显著。
摘要由CSDN通过智能技术生成

《论文阅读》Improving Multi-turn Emotional Support Dialogue Generation with Lookahead Strategy Planning

前言

你是否也对于理解论文存在困惑？

你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？

小白如何从零读懂论文？和我一起来探索吧！

今天为大家带来的是《Improving Multi-turn Emotional Support Dialogue Generation with Lookahead Strategy Planning》

在这里插入图片描述

出版：ACL

时间： 2022

类型：情感支持对话生成

特点：多轮对话、预测策略对未来的影响（用户反馈）

作者：Yi Cheng , Wenge Liu , Wenjie Li

第一作者机构：Hong Kong Polytechnic University

简介

思路出

了解本专栏 订阅专栏 解锁全文
《论文列表》情感对话论文持续更新中......
MyHeartWillGoOn
02-11 1715
你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~无抄袭，无复制，纯手工敲击键盘~下面是这个专栏所有文章的分类，下面来一起进行学习吧！
论文阅读笔记(三)：Improving Knowledge-aware Dialogue Generation via Knowledge Base Question Answering
weixin_43576804的博客
08-02 670
“知识是基础，汗水是实践，灵感是思想火花，思想火花人人有，不要放弃它。Chance favors the prepared mind.”——袁隆平寄语青年人
【四】情感对话 Improving Multi-turn Emotional Support Dialogue Generation with Lookahead Strategy Planning
彭伟的博客
11-09 1153
这篇文章主要考虑的是做一个未来策略的安排，在其中用到了A*搜索算法，分别计算了基于历史，对当前作出的判断以及对未来的一个规划实验效果，充分的说明了模型的有效性。该函数有两部分打分组成，第1部分打分表示的是根据过去的信息来得到当前的一个策略，第2部分的打分是如何考虑未来的信息评估用户的反馈（肯定要选择反馈好的策略）。实验部分主要的是两个实验，第1个是回复生成的实验，第2个是策略预测的实验，那么这个也是给了这些相关的实验来证明模型的有效性。整个模型包含4个部分，左边是编码部分，右边是策略的预测以及解码部分。
[NLU] Improving Multi-turn Dialogue Modelling with Utterance ReWriter
lwgkzl的博客
11-09 2076
总述： 主要是有一个utterance rewriter的机制，将一句话里面的省略和共指关系给找出来，然后形成一句新的话语，这样显示的声明一句话的省略部分和共指词可以提高对话系统的效果。具体来说对于task-oriented对话系统，提高了intention Precision（每一句话的意图检测），对于chitchat，提高了CPS：coversation-turns-persess...
情感支撑对话论文最近进展 Emotion Support Conversation
彭伟的博客
11-03 2331
这一篇博客主要分析一下，目前在情感支撑，也就是心理咨询这个场景下面相关论文的一些最新情况，论文的链接以及主要的思想。后续会具体的来介绍每一篇文章的动机，方案，实验结果。
【论文阅读】Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings
qq_39466623的博客
10-19 1820
论文来源：ACL2020
Fine-grained Post-training for Improving Retrieval-based Dialogue Systems-论文阅读
weixin_44125942的博客
03-13 1754
Fine-grained Post-training for Improving Retrieval-based Dialogue Systems-论文阅读 改进基于检索的对话系统的一个细粒度后训练的方法 发表会议：2021 ACL的北美单元 原文链接：https://aclanthology.org/2021.naacl-main.122.pdf 摘要(翻译)： 当使用预先训练好的语言模型时，基于检索的对话系统表现出优异的性能，其中包括来自transformers（BERT）的双向编码器表示。在多轮反应选
论文解读：Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings
夏栀的博客
08-20 6218
论文解读：Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings   知识库问答（KBQA/KGQA）是指给定一个自然语言问句和对应的知识库，试图从知识库中返回对应正确的答案。现如今一些方法是通过对问句中的候选实体在知识库中对齐，并获得一定跳数范围内的子图，通过排序算法或TopK算法等获得有可能的答案。但是有时候知识库是不充分的，某些目标答案需要经过非常长的推理路径才能获得，而在
论文笔记：AugFPN: Improving Multi-scale Feature Learning for Object Detection
richard_che的博客
05-13 3820
代码：https://github.com/Gus-Guo/AugFPN 论文：https://arxiv.org/abs/1912.05384 摘要 现有的SOTA检测器都使用了构建特征金字塔（不同尺度的特征组合），来提升对不同尺度（大小）的目标的检测鲁棒性。而FPN是其中的代表性工作 本文对FPN进行了分析，找到了其中的一些设计上的缺陷 针对缺陷提出了3个改进点，也正是AugFPN的3个组成部分： Consistent Supervision：用于降低不同scale之间的语义Gap Residu.
语音合成论文优选：Improving multi-speaker TTS prosody variance with a residual encoder and normalizing flows
低调奋进
06-11 474
声明：语音合成论文优选系列主要分享论文，分享论文不做直接翻译，所写的内容主要是我对论文内容的概括和个人看法。如有转载，请标注来源。 欢迎关注微信公众号：低调奋进 Improving multi-speaker TTS prosody variance with a residual encoder and normalizing flows 本文为Alexa AI在2021.06.10更新的文章，主要优化multi-speaker模型的韵律问题，具体文章链接https://arxiv.org/pdf/
AugFPN: Improving Multi-scale Feature Learning for Object Detection 论文笔记
qq_30146937的博客
04-21 1373
前言 首先来说一下FPN的一些设计缺陷，如下图所示，FPN可以分为三个阶段：（1）特征融合前；（2）top-down特征融合；（3）特征融合后。每个阶段都存在一处设计缺陷： 不同层级的特征之间存在语义差异。在进行特征融合前，会先将不同层级的特征经过一个1×11 \times 11×1的卷积层以降低通道数，但这一过程未考虑这些特征之间存在的巨大的语义差异。如果直接将这些特征进行融合，由于它们的语...
最新的强大的文生视频模型Pyramid Flow 论文阅读及复现
buganything的博客
12-25 935
论文提出了一种高效的视频生成建模方法，称为金字塔流匹配，旨在通过降低计算复杂度来优化视频生成过程。该方法避免了直接在全分辨率下进行训练，而是将视频生成过程分解为多个在不同分辨率下运行的金字塔阶段，仅在最终阶段达到全分辨率。连续性：不同金字塔阶段的生成轨迹相互链接，后续阶段继续从前一阶段生成，避免了每个阶段从纯噪声重新生成的需要。统一模型：与为每个图像金字塔使用独立模型不同，金字塔流匹配算法将它们集成到一个统一的模型中，通过端到端优化实现更优雅的实现，并大幅加快训练速度。
2、Bert论文笔记
weixin_44986037的博客
12-25 947
Bert
6、InstructGPT论文笔记（人类反馈指令,对齐）
weixin_44986037的博客
12-25 1045
InstructGPT
Quo Vadis, Anomaly Detection? LLMs and VLMs in the Spotlight 论文阅读
最新发布
weixin_44609958的博客
12-28 701
视频异常检测（VAD）通过整合大语言模型（LLMs）和视觉语言模型（VLMs）取得了显著进展，解决了动态开放世界场景中的一些关键挑战，如可解释性、时序推理和泛化能力。本文深入回顾了2024年基于LLM/VLM的前沿方法，重点关注四个关键方面：（i）通过语义洞察和文本解释增强可解释性，使视觉异常更易于理解；（ii）捕捉复杂的时序关系，检测和定位视频帧中的动态异常；（iii）支持少样本和零样本检测，减少对大量标注数据集的依赖；
【论文阅读】MedCLIP: Contrastive Learning from Unpaired Medical Images and Text
m0_61222152的博客
12-27 849
MedCLIP: Contrastive Learning from Unpaired Medical Images and Text
【论文阅读】Reducing Activation Recomputation in Large Transformer Models
StarCap的博客
12-27 894
训练大型 Transformer 模型是现代人工智能最重要的计算挑战之一。在本文中，我们展示了如何通过减少激活值的重新计算来显著加速大型 Transformer 模型的训练。激活值重新计算通常用于解决内存容量限制问题。传统上，为了节省内存，不存储用于反向传播的激活值，而是重新计算它们，但这增加了冗余计算。在这项工作中，我们表明大部分这种冗余计算是不必要的，因为我们可以在不进行冗余计算的情况下充分减少内存消耗。我们提出了两种新颖且非常简单的技术：序列并行和选择性激活值重新计算。
论文阅读：Deep Fusion Clustering Network With Reliable Structure Preservation
dundunmm的博客
12-25 1355
深度聚类通过优雅地利用数据表示来寻找样本的划分，已引起广泛关注。最近，将自编码器（AE）与图神经网络（GNNs）结合，通过引入数据中隐含的结构信息，在聚类任务中取得了优秀的表现。然而，作者观察到大多数现有方法存在一些局限性：1）在实际的图数据集中，节点之间存在一些噪声或不准确的连接，这会干扰网络学习并导致偏差的表示，从而导致聚类性能不理想；2）缺乏动态信息融合模块，未能仔细结合和优化节点属性与图结构信息，进而学习到更一致的表示；3）未能充分利用两个分离视图的信息，以生成更稳健的目标分布。
FPN：Feature Pyramid Networks for Object Detection论文笔记
HaiJaine的博客
12-25 900
本论文提出了特征金字塔网络（Feature Pyramid Network, FPN），这是一种新的结构，它利用深度卷积网络固有的多尺度、金字塔层次结构来构建特征金字塔，且额外的计算成本很小。FPN通过自顶向下的架构和横向连接来构建所有尺度上的高级语义特征图。这种架构不仅提高了特征的语义信息，而且能够快速地从单尺度输入图像中构建出特征金字塔，有效地解决了多尺度目标检测的问题，并在COCO检测基准测试中取得了当时的最佳单模型结果。
Multi-Scale Retinex with Color Restoration
03-30
Multi-Scale Retinex with Color Restoration is an image enhancement algorithm that aims to improve the visual quality of images by improving their brightness, contrast, and color. This algorithm is ...
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

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
>