2019 ACL对话系统16论文

2023-12-13 08:56:57

本次会议中，Dialog and Interactive Systems 分了三个 section，分别是 Neural Conversation Models, Task-Oriented Dialog, 和 New Task。

1.神经网络对话模型（Neural Conversation Models）

在给定对话历史的情况下，如何通过模型来选择对话中最优的回答。

（1）X

  • 论文 1：Boosting dialog response generation

  • 作者：WenChao Du，Alan W Black

  • 论文链接：https://www.aclweb.org/anthology/P19-1005

  • 针对对话系统中容易出现的通用和一般性回答，做了些优化来提升生成对话文本的相关性和多样性。

（2）X

  • 论文 2：：Do Neural Dialog Systems Use the Conversation History Effectively? An Empirical Study

  • 作者：Chinnadhurai Sankar，Sandeep Subramanian，Christopher Pal，Sarath Chandar，Yoshua Bengio

  • 论文链接：https://www.aclweb.org/anthology/P19-1004

  • 研究现有的神经网络模型是否有效利用了对话历史，其方法，是在对话历史中加入一点扰动，比如，改变对话数据的先后顺序，或者改变词的顺序，然后看模型计算的条件概率是否有变化。

（3）X?小？

  • 论文 3：Constructing Interpretive Spatio-Temporal Features for Multi-Turn Response Selection

  • 作者：Junyu Lu，Chenbin Zhang，Zeying Xie，Guang Ling，Chao Zhou，Zenglin Xu

  • 论文链接：https://www.aclweb.org/anthology/P19-1006

  • 加入时序和空间上的 feature，来解决对话系统中的回复句子的选择问题。

（4）X?小？

  • 论文 4：Improving Multi-turn Dialogue Modelling with Utterance ReWriter

  • 作者：Hui Su，Xiaoyu Shen，Rongzhi Zhang，Fei Sun，Pengwei Hu，Cheng Niu，Jie Zhou

  • 论文链接：https://www.aclweb.org/anthology/P19-1003

  • 通过语句改写，来解决多轮对话中信息省略和引用的问题。

（5）OK?

  • 论文 5：Incremental Transformer with Deliberation Decoder for Document Grounded Conversations

  • 作者：Zekang Li，Cheng Niu，Fandong Meng，Yang Feng，Qian Li，Jie Zhou

  • 论文链接：https://www.aclweb.org/anthology/P19-1002

  • 在有文档背景信息的多轮对话中，一种基于 Transformer 的对话生成模型。模型的目标，是输出一个整合了文档知识在内的对话回复。

（6）X?

  • 论文 6：One Time of Interaction May Not Be Enough: Go Deep with an Interaction-over-Interaction Network for Response Selection in Dialogues

  • 作者：Chongyang Tao，Wei Wu，Can Xu，Wenpeng Hu，Dongyan Zhao，Rui Yan

  • 论文链接：https://www.aclweb.org/anthology/P19-1001

  • 提出了一个基于检索的深度交互对话模型，来解决现有模型中，对 对话交互信息 利用较浅的问题。

2.任务导向的对话（Task-Oriented Dialog）

如何优化涉及到任务的对话。通常，任务式对话里面包含有领域和意图的分类，槽位的挖掘和填充等。

（7）OK？

  • 论文 7：Constrained Decoding for Neural NLG from Compositional Representations in Task-Oriented Dialog

  • 作者：Anusha Balakrishnan，Jinfeng Rao，Kartikeya Upasani，Michael White，Rajen Subba

  • 论文链接：https://www.aclweb.org/anthology/P19-1080

  • 提出了一种新的树形结构，来更好的表示 Mean Represention（MR）。
  • MR 是一个 key-value 的列表，其中 key 是槽名（slot），value 是槽对应的值。传统的 MR 表示，是扁平的，因而会丢失槽之间的评论关系。

（8）X?大？

  • 论文 8：Learning End-to-End Goal-Oriented Dialog with Maximal User Task Success and Minimal Human Agent Use

  • 作者：Janarthanan Rajendran, Jatin Ganhotra, Lazaros C Polymenakos

  • 论文链接：https://arxiv.org/pdf/1808.09996.pdf

  • 提出了一个端到端的训练方法，来识别新的用户行为，以便转交给人工处理，在转交的过程中，要考虑移交的成功率和人工的工作量之间的平衡；同时也能从人工的反馈中学习如何处理这种新的用户行为，更新模型，用于将来的处理。

（9）X?

  • 论文 9：Multi-Task Networks with Universe, Group, and Task Feature Learning

  • 作者：Shiva Pentyala, Mengwen Liu, Markus Dreyer

  • 论文链接：https://arxiv.org/pdf/1907.01791.pdf

  • 提出了并行网络和串行网络两种多任务学习的结构，并应用在虚拟助手（virtual assistants）的多领域自然语言理解中。

（10）OK

  • 论文 10：OpenDialKG: Explainable Conversational Reasoning with Attention-based Walkers over Knowledge Graphs

  • 作者：Seungwhan Moon, Pararth Shah, Anuj Kumar, Rajen Subba

  • 论文链接：https://www.aclweb.org/anthology/P19-1081

  • 将对话系统和知识图谱（knowledge graph）结合起来

（11）X?

  • 论文 11：Transferable Multi-Domain State Generator for Task-Oriented Dialog Systems

  • 作者：Chien-Sheng Wu，Andrea Madotto，Ehsan Hosseini-Asl，Caiming Xiong，Richard Socher，Pascale Fung

  • 论文链接：https://www.aclweb.org/anthology/P19-1078

  • 针对 multi-domain 的 DST，提出了一个可迁移的对话状态生成器 Trade（transferable dialogue state generator）。

3.新任务（New Task）

对话系统的一些新的形式，比如引入对话外的额外信息，或者在某些特定领域，比如慈善或医疗领域的新模型和新应用。

（12）X

  • 论文 12：Multimodal Transformer Networks for End-to-End Video-Grounded Dialogue Systems

  • 作者：Hung Le，Doyen Sahoo，Nancy F. Chen，Steven C.H. Hoi

  • 论文链接：https://www.aclweb.org/anthology/P19-1564

  • 在生成对话回复中，除了考虑文本信息，还要考虑相关联的视频信息，称为 Video-Grounded Dialog System（VGDS）。

（13）OK?

  • 论文 13：Target-Guided Open-Domain Conversation

  • 作者：Jianheng Tang，Tiancheng Zhao，Chenyan Xiong，Xiaodan Liang，Eric P. Xing，Zhiting Hu

  • 论文链接：https://www.aclweb.org/anthology/P19-1565

  • 如何在一个开放的对话聊天中，将对话引向一个特定的目标。

（14）X

  • 论文 14：Persuasion for Good：Towards a Personalized Persuasive Dialog System for Social Good

  • 作者：Xuewei Wang，Weiyan Shi，Richard Kim，Yoojung Oh，Sijia Yang，Jingwen Zhang，Zhou Yu

  • 论文链接：https://www.aclweb.org/anthology/P19-1566

  • 如何在对话中采用不同的劝说策略，来劝说人们对慈善机构进行捐助。侧重点，其实不在模型方面，而是在数据集的收集整理方法上。

（15）X

  • 论文 15：Improving Neural Conversational Models with Entropy-Based Data Filtering

  • 作者：Richard Csaky，Patrik Purgai，Gabor Recski

  • 论文链接：https://www.aclweb.org/anthology/P19-1567

  • 通过数据集的优化，来提升开放式对话模型的效果。通过剔除掉具有高熵值的对话语句，来修正数据集，进而提升对话系统的性能。

（16）X

  • 论文 16：标题：Observing Dialogue in Therapy: Categorizing and Forecasting Behavioral Codes

  • 作者：Jie Cao，Michael Tanana，Zac E. Imel，Eric Poitras，David C. Atkins，Vivek Srikumar

  • 论文链接：https://www.aclweb.org/anthology/P19-1563

  • 针对心理治疗领域，提出了两个分类模型，在治疗师和患者的对话中帮助治疗师。本文的模型，没有去生成对话的回复，而是对已有的当前轮次的语句，和接下来可能出现的语句的标签进行分类和预测。

 

 

参考：

https://www.sohu.com/a/333666460_129720

上一篇：centos8平台:举例讲解redis6的ACL功能(redis6.0.1)


下一篇：Linux 递归acl权限和默认acl权限