论文阅读《Multi-Domain Dialogue Acts and Response Co-Generation》多领域对话行为和响应的协同生成

最新推荐文章于 2023-08-24 14:52:08 发布
最新推荐文章于 2023-08-24 14:52:08 发布
阅读量3k 收藏
点赞数
文章标签： python 深度学习 自然语言处理
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_44763402/article/details/123644947
版权

 

introduction

1. 将对话行为预测看做和响应生成一样的序列生成任务

2. 同时训练对话行为和响应的生成模型

3. 损失函数使用不确定性损失，自适应调整响应生成和对话行为生成的权重

method

对话行为生成：将对话行为按照领域-意图-槽值三级结构组织，对每个token进行编码

 

其中Vb是belief state，随后Ha按照如下decoder的步骤生成

 

 

此处有疑惑，论文中说按照decoder的步骤生成Ha，但是decoder中没有H的生成公式，只有

最低0.47元/天 解锁文章
《论文阅读》Multi-Task Learning of Generation and Classification for Emotion-Aware Dialogue Response Gener
MyHeartWillGoOn
10-30 255
为了让计算机自然地与人类交互，它需要像人类一样。在本文中，我们提出了一种神经反应生成模型，该模型具有生成和分类的多任务学习，侧重于情感。我们的模型基于 BART (Lewis et al., 2020)，一种预训练的 Transformer 编码器解码器模型，经过训练可以同时生成响应和识别情绪。此外，我们对任务的损失进行加权以控制参数的更新。自动评估和众包手动评估表明，所提出的模型使生成的响应更具情感意识。
《论文阅读》Generating Responses with a Specific Emotion in Dialog
MyHeartWillGoOn
08-12 407
希望对话系统能够在对话期间表达特定的情绪，这对提高其可用性和用户满意度具有直接的、可量化的影响。在对现实生活中的对话数据进行仔细调查后，我们发现用语言表达情感至少有两种方式。一是通过明确地使用强烈的情感词来描述情绪状态；另一个是通过以不同的方式隐含地结合中性词来增加情感体验的强度。我们提出了一种情感对话系统（EmoDS），它可以为帖子生成具有连贯结构的有意义的回复，同时在统一的框架内明确或隐含地表达所需的情感。实验结果表明，EmoDS 在 BLEU、多样性和情绪表达质量方面的表现优于基线。...
论文笔记016：[CVPRW2020]Multi-Domain Learning and Identity Mining for Vehicle Re-Identification
qq_41876456的博客
12-05 586
摘要 本文介绍了我们为 “2020年人工智能城市挑战赛”（AICITY20）的Track2解决方案。城市挑战2020（AICITY20）的解决方案。介绍比赛 Track2是一个车辆识别（ReID）任务，包括真实世界的数据和合成数据。介绍数据集 我们的解决方案是基于一个强大的基线与BoT-BS提出的行人重识别。方法总括 首先，我们提出了一个多领域的学习方法，以联合真实世界和合成数据来训练模型。创新1：训练阶段联合 然后，我们提出了身份挖掘方法，为部分测试数据自动生成伪标签，这比k-means聚类法要好。创新.
Multi-Domain Dialogue Acts and Response Co-Generation
hqing159的博客
11-18 295
【论文&模型讲解】多模态对话 Multimodal Dialogue Response Generation
Friedrichor的博客
11-14 4330
多模态对话论文 Multimodal Dialogue Response Generation，收录于 ACL 2022
论文阅读笔记-learning multi-domain convolutional neural networks for visual tracking
mtc_Ningning的博客
11-28 1618
论文阅读笔记-learning multi-domain convolutional neural networks for visual tracking VOT 2015挑战赛的冠军论文，16年又发表在CVPR上，性能很强大，几乎可以称得上是目前跟踪性能最好的一种算法。 铺垫完了之后，说一下该算法的优缺点： 优点嘛，当然是跟的准，基本上形变啊，快速移动啊，光照啊，低分辨率啊，遮挡
论文原创笔记：Learning Multi-Domain Convolutional Neural Networks for Visual Tracking
douhua4335的博客
04-09 1121
最近刚看的一篇文章，看了很多遍，觉得应该记录下来，也方便以后查阅了吧。 源码GitHub - HyeonseobNam/MDNet: Learning Multi-Domain Convolutional Neural Networks for Visual Tracking https://github.com/HyeonseobNam/MDNet 首先文章标题就提出了本文的主旨，训练一个
EM Pre-training for Multi-party Dialogue Response Generation [论文解读]
最新发布
刘炫320的博客
08-24 241
对话回应生成要求代理根据当前的对话历史生成回应，这方面双方对话已经有了很多研究，但同时也给多方对话留下了很大的空白。与双方对话不同的是，在多方场景中，在生成回应之前需要指定回应话语的收信人。由于存在大量的双方对话数据，已经提出了各种用于双方对话回应生成的预训练语言模型。然而，由于多方对话数据集中缺乏注释的收信人标签，很难将它们用于为多方对话预训练回应生成模型。为了克服这个障碍，我们提出了一种期望最大化（EM）方法，通过迭代执行期望步骤生成收信人标签，并进行最大化步骤来优化回应生成模型。
matlab代码做游戏-Variational-AutoEncoder-for-Dialogue-Generation:对话生成模型和实验的变
05-21
matlab代码做游戏对话生成的变体自动编码器 1. VHRED模型和数据集 Ubuntu Dialogue Corpus包含近一百万次多回合对话，总共超过700万次语音和1亿个单词。 这是它的特征： 与多人聊天（最好是人与人）相对的双向（二进...
《论文阅读》CEM: Commonsense-aware Empathetic Response Generation
MyHeartWillGoOn
01-01 1093
人和人之间日常对话的一个关键特征是表达对他人同理心的能力，探索实现同理心的方法是朝着类人对话系统迈出的关键一步。先前关于该主题的方法主要集中在检测和利用用户的情绪来生成共情反应。然而，由于同理心包括情感和认知的各个方面，我们认为除了识别用户的情绪外，还应考虑对用户情况的认知理解。为此，我们提出了一种新颖的共情响应生成方法，该方法利用常识来提供有关用户情况的更多信息，并使用这些附加信息来进一步增强生成响应中的共情表达。
【论文阅读】Multimodal dialogue response generation
qq_43619647的博客
04-11 274
现有的工作只专注于多模态对话模型，依赖基于检索的方法，而忽略了生成方法。一个新任务：多模态对话回应生成MDRG，给定对话背景，一个模型需要生成文本或图像作为回复。文本和图像的多模态对话很难获得。假设一种低资源环境：只有有限的训练实例可以使用，设计一个新的对话代理Divter，从整个生成模型中分离出依赖于多模态对话的参数，模型的主要部分可以分别从大量的纯文本对话和文本-图像对中学习，然后只需要使用少数训练实例就可以很好的拟合整个参数。
【文章阅读visual granding】GuessWhat?! Visual object discovery through multi-modal dialogue
小欧欧的博客
06-08 489
一、文章主要有两个贡献点 1、建立了基于对话的visual granding数据集 2、给出了基于深度学习的baseline model 二、数据集 这是数据集中的两个例子，可以发现每一张图有一个instance级别的标注，并且对应若干个问答形式的描述！任务的目的在于通过这些问答形式的描述，自动的确定所描述的目标物体是谁！ 三、基础模型 从图中可以发现，模型的结构还是比较简单的，有5类不通的输入内容：1、context也就是全局上下文，也就是整张图像；2、crop，也...
「自然语言处理(NLP)论文推送」会话响应生成（含源码）【美国卡耐基梅隆大学】
yinizhilianlove的博客
08-24 738
来源：AINLPer微信公众号 编辑: ShuYini 校稿: ShuYini 时间: 2019-8-24 引言     本次主要给大家介绍两篇文章。第一篇文章主要讲的是会话响应生成，其主要针对的是当前神经网络对话系统倾向于在语料库中生成响应的问题，这样不利于会话响应的多样性。第二篇文章主要针对的是模型会话一致检测的问题，怎么才能评估呢？作者提出一种自动在数据集提取实例进行评估的方法。 Fir...
《DialoGLUE》任务型对话新Benchmark & ConvBERT模型
weixin_44385551的博客
10-18 707
DialoGLUE 标题：《DialoGLUE: A Natural Language Understanding Benchmark for Task-Oriented Dialogue》 作者： 卡内基梅隆大学 ，Amazon Alexa AI 时间：2020年10月 内容：为了发展更通用的面向任务型对话系统，作者提出了一个大型公开benchmark，以鼓励学术界对representation-based transfer, domain adaptation, 以及sample-efficient t
最新人工智能：可预测人类谈话走向，让吵架扼杀在摇篮中
数据猿
05-30 1144
【数据猿导读】 据此AI系统的算法和发表的论文介绍，系统过分析维基百科中的讨论页面，收集了大量的讨论板块中大量的网友讨论数据建立预测模型，识别开始谈话中具有什么样特征的句...
EMNLP 2021 | ST-ToD：小样本场景下的任务型对话预训练
Paper weekly
09-26 558
©PaperWeekly 原创 ·作者|褚维芜单位|北京邮电大学研究生研究方向|自然语言处理论文标题：Self-training Improves Pre-training ...
精读论文：Multi-task, multi-domain learning: Application to semantic segmentation(附翻译)
菜菜小孙的blog
08-11 774
Multi-task, multi-domain learning: Application to semantic segmentation and pose regression 二、翻译 0. 摘要 abstract： 我们提出了一种方法，可以利用不同任务标注的数据集（例如不同标签集的分类）来提高每个数据集上的预测准确性。域适应技术可以纠正数据集偏差，但当任务不同时，它们不适用，而需要补充它们来处理多任务设置。我们提出了一种新的选择性损失函数，它可以集成到深层神经网络中，利用来自多个数据集的训练数据，
python多次输入_如何实现python连续输入
weixin_39929096的博客
11-22 3918
原博文2019-04-07 17:15 −题型：输入矩阵，求对角线之和 思路（模型）： i=0 while i
Tianchi发布最新AI知识树！
Python数据之道
02-27 924
来源：Datawhale干货来源：Tianchi，方向：AI内容近期Tianchi开放了9大训练营、26门课程、历届大赛和7大顶会论文解读。包含Python、SQL、机器学习、强化学习...
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
>