Diverse and Informative Dialogue Generation with Context-Specific Commonsense Knowledge Awareness

最新推荐文章于 2024-09-24 11:16:02 发布
最新推荐文章于 2024-09-24 11:16:02 发布
阅读量447 收藏
点赞数
分类专栏： 常识推理 文章标签： 人工智能 机器学习 知识图谱
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/weixin_43173180/article/details/108692215
版权

论文目的

生成对话系统总会产生无意义的对话，例如“我不知道”，所以本论文利用常识来补充对话背景信息，为对话增添色彩

论文方法

D为训练集，X为查询信息，Y为回应内容，F为常识知识

Felicitous Fact mechanism

  • Knowledge Retriever:检索查询实体，获取常识KG上邻居信息和对应关系构成candidate fact
  • Context Encoder:使用双向GRU，输入XorY，输出文本状态序列
  • Felicitous Fact Recognizer:区分歧义词
  • Context-Knowledge Fusion:加强decoder对背景知识的理解

Triple Knowledge Decoder

Decoder端是另一个GRU网络,在每一时刻,decoder端可以生成vocabulary words, knowledgeable entity words和copied words中的其中一个.

实验方法

dataset

  • English Reddit dataset
  • Chinese Weibo dataset

实验内容

  1. 在数据集上对比baseline效果
  2. Ablation Study——对比模型简化版本以证明每个模块的有效性
  3. case study
  4. 误差分析——the lack of evidence, similar evidence and dataset noise

论文亮点

实验部分采用多重语言

xiaomao979
关注
专栏目录
【VQ-VAE-2论文精读】Generating Diverse High-Fidelity Images with VQ-VAE-2
zik的博客
04-29 1763
发表于2019年的NeurIPS。VQVAE的重要性就不谈了，学习latent diffusion model必须得了解这个。NIPS（NeurIPS），全称神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际会议。该会议固定在每年的12月举行,由NIPS基金会主办。NIPS是机器学习领域的顶级会议。
论文理解：Generating Diverse High-Fidelity Images with VQ-VAE-2
GAN_CVer的博客
11-15 3106
深度生成模型都有什么问题 研究者将常见的生成模型分为两种：一种是基于似然的模型，包括 VAE 及其变体、基于流的模型、以及自回归（autoregressive）模型，另一种是隐式生成模型，如生成对抗网络（GAN）。这些模型都会存在某些方面的缺陷，如样本质量、多样性、生成速度等。 GAN 利用生成器和判别器来优化 minimax 目标函数，前者通过将随机噪声映射到图像空间来生成图像，后者通过分辨生成...
2月跨模态（图片-文本）论文粗览
weixin_42636127的博客
02-22 1858
AAAI2021跨模态（图片-文本）论文粗览总体情况《A Case Study of the Shortcut Effects in Visual Commonsense Reasoning》《Simple is Not Easy: A Simple Strong Baseline for TextVQA and TextCaps》《Commonsense Knowledge Aware Concept Selection For Diverse and Informative Visual Storyte
常识知识在AI不同领域应用的最新研究进展
ngl567的博客
11-30 704
上期，我们一起学习了常识推理的最新研究进展。这次，我们一起来看看常识知识在AI不同的领域都有哪些应用，泽宇找到几篇最新或有代表性的研究和大家分享学习。 Commonsense Knowledge Aware Conversation Generation with Graph Attention Authors: Hao Zhou, Tom Young, Minlie Huang, Haizhou Zhao, Jingfang Xu, Xiaoyan Zhu 论文地址：https://www.i.
ACL2020-最新录用论文列表分享
lqfarmer的博客
05-30 3501
ACL会议（Annual Meeting of the Association for Computational Linguistics）是自然语言处理与计算语言学领域最高级别的学术会议，由计算语言学协会主办，每年一届。 计算语言学协会（ACL）第58届年会将于2020年7月5日至7月10日在网上举行，本届会议共有571篇长论文和208篇短论文被接受。 ACL是计算语言学领域的主要会议，涵盖了与自然语言的计算方法有关的广泛的不同研究领域。本文整理分享ACL2020相关一些论...
【NLP】ACL-2019 录用论文
热门推荐
zkq_1986的博客
09-04 2万+
LONG PAPERS (MAIN CONFERENCE) SphereRE: Distinguishing Lexical Relations with Hyperspherical Relation EmbeddingsChengyu Wang, XIAOFENG HE and Aoying Zhou Learning from Dialogue after Deployment: Fee...
《 Recent Advances in Deep Learning-based Dialogue Systems 》：Neural Models in Dialogue Systems
北风吹过的秋
05-27 2137
关注微信公众号：NLP分享汇。【喜欢的扫波关注，每天都在更新自己之前的积累】 文章链接：https://mp.weixin.qq.com/s/vsEH5wj9Y5dShnH42hCX_Q 前言 本文将以2021年南洋理工大学发表的论文《Recent Advances in Deep Learning-based Dialogue Systems》为基础，介绍「深度学习对话系统」综述系列，共分七篇，本文是第二篇。本文较长，建议读者直接阅读感兴趣的部分。 开篇链接：2021深度学习对话系统大综述 [
KLEE - Unassisted and Automatic Generation of High-Coverage Tests for Complex Systems Programs (klee-osdi-2008)-计算机科学
04-22
KLEE: Unassisted and Automatic Generation of High-Coverage Tests for Complex Systems ProgramsCristian Cadar, Daniel Dunbar, Dawson Engler∗Stanford UniversityAbstractWe present a new symbolic ...
Diverse-Image-Synthesis-from-Semantic-Layout
03-11
通过条件IMLE从语义布局中合成各种图像 | 这是我们的方法的Tensorflow实现，可从语义布局生成各种图像。 * ，* * ， （*等额捐款，按字母顺序排列） 在ICCV 2019中。 设置 要求 所需的python版本：Python 2.7 ...
【图检索】Context-I2W:Mapping Images to Context-dependent Words for Zero-Shot Composed Image Retrieval
nbwjszd的博客
12-22 1080
原文标题： Context-I2W: Mapping Images to Context-dependent Words for Accurate Zero-Shot Composed Image Retrieval 原文代码： https://github.com/Pter61/context i2w. 发布年度： 2024 发布期刊： AAAIDifferent from Composed Image Retrieval task that requires expensive labels for
论文笔记：基于外部知识的会话模型Commonsense Knowledge Aware Conversation Generation with Graph Attention
guohui_0907的博客
04-18 3159
Commonsense Knowledge Aware Conversation Generation with Graph Attention 1 出发点        现有的具有外部知识的模型，大多采用非结构化、开放域知识或者结构化、小规模、特定域的知识，这就导致模型存在依赖高质量的非结构化知识的问题或者在开放域的对话场景下...
2021-07-09
u011150266的博客
07-09 2183
转自：NLP工作站 知乎 刘聪NLP 主要包括10个分类，如下：（1）预训练语言模型及应用（58篇）；（2）表征学习（9篇）；（3）问答及检索（42篇）；（4）文本生成（29篇）；（5）摘要（23篇）；（6）小样本（16篇）；（7）对话（32篇）；（8）情感及情绪分析（15篇）；（9）信息抽取（60篇）；（10）其他（21篇）。 update：刘聪NLP：ACL2021 Findings论文汇总及分类 一、 预训练语言模型及应用 Long （1）How Good is Your Tokenizer? O
使用c#制作一个小型桌面程序
qq_44691564的博客
09-14 2796
创建.NET Framework新项目，将之前生成的dll放在Demo文件夹的bin ->debug或是 release中（看你自己用的什么模式），创建完成后 系统会自动生成一些文件，其中 pch.cpp 先不要修改，pch.h中先导入自己需要用到的库，下面是我的代码。布局完了之后会自动生成Form1.Designer.cs 的窗口设计代码，点击控件按F4 还可以修改他们的属性。完成之后点击生成 就可以在bin中出现的你的.exe文件咯，是不是很简单呀~[狗头]我们还需要一个入口主程序。
IT行业中的技术趋势与未来展望
2301_78944833的博客
09-21 1689
IT行业正在经历一场前所未有的技术变革，各种新兴技术相互融合，推动着企业和社会的数字化转型。从云计算到人工智能，从物联网到区块链，这些技术趋势不仅改变了IT行业的面貌，也塑造了未来世界的形态。无论是IT从业者还是企业管理者，紧跟这些技术趋势，将在未来的竞争中占据有利位置。
探索未来智能：Moonshot AI 引领AI新纪元——M1超级模型
BuluAI的博客
09-19 987
M1超级模型的诞生是对这一趋势的直接响应，它代表了Moonshot AI在AI领域的最新研究成果和对未来智能的深刻洞察。一个在线教育平台集成了M1超级模型，通过分析学生的学习行为和成绩，为每位学生提供定制化的学习路径和实时反馈，显著提高了学习效率和成绩。在教育领域，M1超级模型能够提供个性化的学习支持，通过分析学生的学习习惯和理解能力，提供定制化的学习材料，促进学生在关键领域的进步。一家医院利用M1超级模型分析患者的医疗影像和病历，提高了诊断的准确性，减少了误诊率，并为医生提供了更全面的治疗建议。
煤矿智慧矿井数据集 （1.煤矿采掘工作面智能分析数据集2.煤矿井下钻场智能分析数据集 ）
2301_78240361的博客
09-21 1956
智慧矿井智能分析数据集 数据1：数据1包含煤矿采掘工作面工人安全帽检测，工人行为检测（行走，站立，坐，操作，弯腰，靠，摔，爬），液压支撑防护（液压支撑防护板所有角度如防护板0到30度，30度到60.....等多角度检测，支撑异常，剪煤机等）检测，采煤人检测，运煤线检测，煤块检测，数据集共22GB，13万张真实拍摄影像，yolo和coco两种标注格式。179r 数据2：数据2数据集总共包含70948张图片，囊括了三类不同亮度水平（包括低亮度、中亮度和高亮度）以及正面、左侧和右侧三类拍摄角度，并覆盖了目标遮
sheng的学习笔记-AI-K-摇臂赌博机（K-armed bandit）
最新发布
coldstarry的专栏
09-24 333
强化学习。
noisytwins: class-consistent and diverse lmage generation through stylegans
12-06
"noisytwins: class-consistent and diverse lmage generation through stylegans" 是关于通过 StyleGANs 实现类别一致和多样化图像生成的研究。 StyleGAN 是一种生成对抗网络 (GAN) 的变种，用于生成逼真的图像。...
评论
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
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