《论文阅读》通过动态融入常识知识来提高同理心对话的生成 ACL (Findings) 2023

已于 2023-10-04 16:33:33 修改
阅读量583 收藏
点赞数 1
分类专栏： 情感对话 文章标签： 论文阅读 共情对话生成 知识动态选择 约束优化问题 对话生成
于 2023-09-15 11:07:56 首次发布
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/132809332
版权
情感对话 专栏收录该内容
70 篇文章 59 订阅 ¥29.90 ¥99.00
订阅专栏
本文介绍了《Improving Empathetic Dialogue Generation by Dynamically Infusing Commonsense Knowledge》的研究，该研究针对共情对话生成中常识知识的混乱问题，提出了一种动态选择常识知识的模块，确保生成的回复与说话者情绪一致。通过适应性模块和知识选择的可解释性，证明了方法的有效性。文章详细探讨了模型架构，包括Contextual Probing、Contextual Unification Workspace和Knowledge-Aware Decoder，并给出了数学推导和代码实现。
摘要由CSDN通过智能技术生成

《论文阅读》通过动态融入常识知识来提高同理心对话的生成

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 Empathetic Dialogue Generation by Dynamically Infusing Commonsense Knowledge》

在这里插入图片描述

出版：ACL (Findings) 2023

时间：2023年5月

类型：共情回复生成

关键词：动态选择；常识推理

作者：Hua Cai, Xuli Shen, Qing Xu等

第一作者机构：UniDT Technology, Shanghai, China

github：https://github.com/Hanscal/DCKS

了解本专栏 订阅专栏 解锁全文
365JHWZGo
关注
专栏目录
订阅专栏
《论文列表》情感对话论文持续更新中......
MyHeartWillGoOn
02-11 1565
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！
ACL 2023 | 利用思维链（CoT）推理隐式情感，狂涨50%
Paper weekly
06-16 1648
©PaperWeekly 原创 ·作者 |费豪单位 |新加坡国立大学题目：Reasoning Implicit Sentiment with Chain-of-Thought Prompting作者：费豪¹，李波波²，刘乾³，邴立东⁴，李霏²，Chua Tat-Seng¹新加坡国立大学¹，武汉大学²，Sea AI Lab³，阿里巴巴达摩院⁴会议：ACL 2023论文：https://arxi...
有趣大会 · ACL2022 (Findings篇)
zenRRan的博客
10-27 1001
每天给你送来NLP技术干货！来自：看个通俗理解吧有趣大会 · ACL2022 (Findings篇)Interesting · ACL2022 (Findings)什么是有趣“大会”？它并不是一个和官方相关，真正的大会。它会是以趣味为导向的一系列文章，可以用放松、不太正式的心态去阅读它。What is the series of "Interesting"？It will be a series ...
AAAI 2024 | 用逆向思维图（ReX-GoT）进行多选对话常识推理
Paper weekly
12-30 1283
©PaperWeekly 原创 ·作者 |郑理单位|武汉大学硕士生研究方向 |自然语言处理论文题目：Reverse Multi-Choice Dialogue Commonsense Inference with Graph-of-Thought论文作者：郑理¹，费豪²，李霏¹，李波波¹，廖黎姿²，姬东鸿¹，滕冲¹作者单位：武汉大学¹，新加坡国立大学²，新加坡管理大学³收录会议：AAA...
文献笔记：2023-ACL(Findings)-Race, Gender, and Age Biases in Biomedical Masked Language Models
sinat_34836159的博客
12-13 899
文献Race, Gender, and Age Biases in Biomedical Masked Language Models的阅读笔记。
ACL23 User相关论文（主会+findings）
somerZX的博客
09-19 1296
看了一些ACL23主会和findings的论文，主会论文整体质量肯定比findings好，但是对于个别质量还不错的findings论文，感觉是因为运气不好才没上主会。
ACL2023：LLM相关论文总结
weixin_52171642的博客
07-17 2162
上下文学习（ICL）通过在推理时简单地演示少量的例子来提高语言模型在各种NLP任务中的表现。人们对ICL能力出现的原因不是很了解，因为模型从来没有在这种演示上进行过专门的训练。与之前探索ICL背后的隐性机制的工作不同，我们通过调查预训练数据来研究ICL。具体来说，我们首先采用一种迭代的、基于梯度的方法来寻找支持ICL的一小部分预训练数据。我们观察到，在这个小的子集上继续进行预训练可以显著提高模型的ICL能力，提高幅度高达18%。
《论文阅读》不要迷失自我！通过显式自我-其他意识产生同情回复 （部分代码讲解）2023 ACL findings
MyHeartWillGoOn
03-04 101
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~今天为大家带来的是《Don’t Lose Yourself!时间：2023类型：共情回复生成关键词：对话共情回复，回复生成，自己-他人感知作者：Weixiang Zhao, Yanyan Zhao, Xin Lu, Bing Qin。
交大ADAPT实验室 | 常识知识论文列表
blmoistawinde的博客
11-16 1363
近年来，常识知识(commonsense knowledge)越发成为NLP领域，乃至多模态，跨学科的研究热点。尽管以BERT为代表的的预训练语言模型已经在实体识别、机器翻译、情感分析等任务上取得了亮眼的表现，它们在面对一些人类可以使用常识轻易解决的问题时仍然表现不佳，面对对抗样本时也极为脆弱。似乎这些模型知识只是学到了一些浅层线索和语义，而与人类的知识体系并不相同。因此，将常识知识融入机器学习中就成为了一个充满前景的解决方案。不过，如何抽取常识知识，如何利用常识知识，乃至如何定义“常识本身”依然是有待研究
Emotional Chatting Machine: Emotional Conversation Generation with Internal and External Memory翻译+笔记
qys27182812的博客
03-15 2510
情感化聊天机：结合内外记忆的情感对话生成 摘要 情感的感知和表达是对话系统或会话代理成功的关键因素。然而，到目前为止，这一问题还没有在大规模对话生成中得到研究。本文中，我们提出的情感聊天机(ECM)不仅在内容上(相关性和语法性)，而且在情感方面(情感一致性)也能产生合适的回复。据我们所知，这是第一个考虑到大规模对话生成中涉及情感因素的工作。ECM使用三种新机制来解决这一问题：(1)通过嵌入情感...
【论文阅读】PERCEIVER-ACTOR: A Multi-Task Transformer for Robotic Manipulation
qq_33673253的博客
09-16 1263
transformers凭借其对大型数据集的扩展能力，彻底改变了视觉和自然语言处理。但在机器人操作中，数据既有限又昂贵。通过正确的问题表述，操纵仍然可以从变形金刚中受益吗？我们使用peract来研究这个问题，peract是一种用于的。peract使用感知器transformer[1]对语言目标和rgb-d体素观测值进行编码，并通过“。与在2d图像上操作的框架不同，体素化的3d观察和动作空间为有效学习6-dof动作。
ChartLlama: A Multimodal LLM for Chart Understanding and Generation论文阅读
moment8aVry的博客
09-18 947
多模态大型语言模型在大多数视觉语言任务中表现出令人印象深刻的表现。但是，该模型通常缺乏对特定域数据的理解能力，尤其是在解释图表图片时。这主要是由于缺乏相关的多模态指令微调数据集。在本文中，我们利用 GPT-4 创建了一个高质量的指令微调数据集。我们开发了一个多步骤的数据生成流程，包括生成表格数据，创建图表图形，并分别设计指微调数据。我们方法能够高效地生成多样化、高质量的指令调整数据，同时保持较低的资源支出，此外，它还允许我们整合现有数据集中尚未包含的更广泛的图表和任务类型。接下来，我们介绍。
【论文阅读】BGE M3-Embedding：通过自知识蒸馏实现多语言、多功能、多粒度的文本嵌入
AI小白的学习记录，欢迎交流~
09-19 782
在本文中，作者介绍了一种称为 M3-Embedding 的新嵌入模型，该模型因其在多语言、多功能 和 多粒度上的通用性而与众不同。它为 100 多种工作语言的语义检索提供统一支持。它可以同时完成三种常见的检索功能：密集检索、多向量检索和稀疏检索。此外，它还能够处理不同粒度的输入，从短句子到最多 8192 个token的长文档。 M3-Embedding 的有效训练呈现出一系列技术贡献。尤其，作者提出了一种新的自知识蒸馏方法，其中来自不同检索功能的相关性分数可以整合为teacher信号，以提升训练质量。作者还
论文阅读--Planning-oriented Autonomous Driving（二）
hzlalb的博客
09-19 800
在这篇文献《Planning-oriented Autonomous Driving》中，作者提出了一个创新的自动驾驶系统框架UniAD，它以规划为核心，将感知、预测和规划任务集成在一个统一的网络中，通过基于查询的设计实现不同模块间的有效通信和信息共享。UniAD采用端到端的训练方法，允许直接从传感器数据学习到规划结果，强调了对规划模块的专门设计，包括自我车辆的显式建模和环境交互。此外，系统引入了非线性优化策略来提高运动预测的物理可行性，并通过同时考虑实例级和场景级信息来增强占用预测的准确性。
VCNet论文阅读笔记
最新发布
郭小儒的博客
09-20 1120
背景：因果推断（casual inference）在智能营销、药物治疗、决策上有广泛的应用，比如优惠券对用户购买意愿的影响、药品多大程度改善或治愈疾病、某项政策提高多少就业率等。（即，预估一种干预因素（treatment）对结果（outcome）的影响（），本文的目标问题就是获得ADRF曲线（平均剂量反应曲线）：x轴是药物浓度（treatment），y轴是患者效果（outcome）。
论文笔记：交替单模态适应的多模态表征学习
zly_Always_be的博客
09-17 1076
整理了CVPR2024 Multimodal Representation Learning by Alternating Unimodal Adaptatio的阅读笔记
3、论文阅读：EnYOLO：一种基于图像增强的水下目标区域自适应实时检测框架
DQHNB的博客
09-17 1194
UIE：水下图像增强UOD：水下目标检测AUVS：自主水下航行器水下图像增强在水下目标检测任务方面应用不多，具体有一下原因：（1）使用UIE作为预处理步骤，引入了很大的计算量（2）在目标检测之前进行图像增强未必能够产生性能改进（3）复杂的水下环境导致不同场景下的域偏移，严重影响UOD性能为了解决这些挑战，我们引入了EnYOLO，这是一种集成的实时框架，设计用于同时进行UIE和UOD，并具有域适应能力。具体地说，UIE和UOD任务头共享相同的网络主干，并利用轻量级设计。
论文阅读： SigLit | SigLip |Sigmoid Loss for Language Image Pre-Training
a486259的博客
09-17 898
论文地址：https://arxiv.org/pdf/2303.15343项目地址：https://github.com/google-research/big_vision发表时间：2023年3月27日我们提出了一种用于语言图像预训练（SigLIP）的简单成对 Sigmoid 损失。与使用 softmax 归一化的标准对比学习不同，sigmoid 损失仅对图像-文本对进行操作，并且不需要对归一化的成对相似性进行全局视图。
SCI论文写作指南：常用英文表达与句型
这些通用的短语不仅有助于提高论文的流畅性，还有助于确保论文遵循学术界的语言规范。审稿人和读者通常期待看到熟悉且标准的表达方式，而不是新颖但可能引起混淆的措辞。通过使用这份文档中的短语，研究人员可以减少...
评论 5
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