PaperWeekly
首发于PaperWeekly

当我们谈论「Chatbot」时,我们在读什么? | 论文集精选 #05

PaperWeekly 是一个 AI 学术分享社区。这里聚集了大批一线 AI 学者,他们用精炼妙语推荐各自发现的优质论文。即刻加入社区,创建属于你的论文集。

这里是第 5 期论文集精选。

本期我们带来的是由 PaperWeekly 社区用户 @cb 创建的 Chatbot 专题论文集,包含 20 篇对话系统、对话生成、自然语言理解等方向相关论文。

我们从中精选了 10 篇优质文章进行展示,如果有合你心意的论文,复制链接到浏览器即可查看原文。你也可以点击「阅读原文」,一键收藏此论文集。

Neural Response Generation with Dynamic Vocabularies

@zhangjun 推荐

#Dialogue Generation

本文针对 seq2seq 做文本生成任务 decoding 阶段 vocabulary 过大导致计算性能差的问题,提出了一种 dynamic vocabulary 的 seq2seq 模型,本文已被AAAI2018 录用。

论文链接:paperweekly.site/papers

BBQ-Networks: Efficient Exploration in Deep Reinforcement Learning for Task-Oriented Dialogue Systems

@zhangjun 推荐

#Dialog Systems

AAAI2018 录用文章,将深度强化学习用于对话系统。BBQ network 这个名字很有意思,工作来自微软研究院和 CMU。

论文链接:paperweekly.site/papers

Integrating User and Agent Models: A Deep Task-Oriented Dialogue System

@zhangjun 推荐

#Dialogue Agent

港科大杨强老师组最新工作。

论文链接:paperweekly.site/papers

Flexible End-to-End Dialogue System for Knowledge Grounded Conversation

@lukepan 推荐

#Chatbot

该论⽂所引⼊的知识是以 tuple 的形式储存在 KB 中的。 knowledge 的引⼊⽅式如下:Candidate Facts Retriever 从 input 中提取 entity,然后在 KB 中进⾏ query,将通过 relation 寻找到的 objects 和 subjects 作为 Candidate Facts 存储为⼀个集合。

在 Reply Decoding 流程中,为了决定该使⽤哪些 facts,提出了 dynamic knowledge enquirer,⽤以根据 local contexts at various positions within a response 来 rank 并选择集合中哪些 facts 应该被使⽤。

论文链接:paperweekly.site/papers

Affective Neural Response Generation

@Jeffreygao 推荐

#Dialog Systems

在对话系统中来建模情感,提出了包含情感的词向量。这篇论文的模型以 seq2seq 为背景,主要在三个点上做改进。(1)在 embedding 上加情感信息(2)改进 loss function(3)beam search 时考虑情感。

论文链接:paperweekly.site/papers

A Deep Reinforcement Learning Chatbot

@xwzhong 推荐

#Chatbot

蒙特利尔算法研究实验室(MILA)为参与亚马逊 Alexa 大奖赛而开发的深度强化学习聊天机器人。

MILABOT 能够与人类就流行的闲聊话题进行语音和文本交流。该系统包括一系列自然语言生成和检索模型,如模板模型、词袋模型、序列到序列神经网络和隐变量神经网络模型。

通过将强化学习应用到众包数据和真实用户互动中进行训练,该系统学习从自身包含的一系列模型中选择合适的模型作为响应。

真实用户使用 A/B 测试对该系统进行评估,其性能大大优于竞争系统。由于其机器学习架构,该系统的性能在额外数据的帮助下还有可能继续提升。

论文链接:paperweekly.site/papers

An End-to-End Trainable Neural Network Model with Belief Tracking for Task-Oriented Dialog

@valyriansteel 推荐

#Natural Language Understanding

最近发表在语音顶会 Interspeech 上的一篇关于 end-to-end 任务型对话系统的文章。

提出的模型打破了传统任务型对话系统的 pipeline 模式,用统一的分层 RNN(Hierarchical RNN)来做语义理解(NLU),状态追踪(DST) 和对话管理(DM)。

模型还有一个专门的模块来做数据库/知识库的连接,能有效地把查询结果加入到最后生成的对话回复中。实验用的是基于 DSTC2 的对话数据,在对话状态追踪和回复预测上都取得了不错的效果。

论文链接:paperweekly.site/papers

Generative Encoder-Decoder Models for Task-Oriented Spoken Dialog Systems with Chatting Capability

@paperweekly 推荐

#Dialog Systems

本文给出了一个特定领域对话系统的端到端解决方案,包括用 entity indexing 来解决对话生成时的 OOV 问题,也包括从外部数据库中获取到知识并融合到生成的对话中,对工程实现有一定的启发。本文已被 SIGIDIAL 2017 录用。

论文链接:paperweekly.site/papers

Personalization in Goal-Oriented Dialog

@paperweekly 推荐

#Dialog Systems

本文给出了一个个性化对话数据集和 baseline,这里的个性化包括了 speaker 的 profile,最近有几篇都是做更加聪明的 chatbot,比如带有情绪,带有感情色彩,带有一定个性。

论文链接:paperweekly.site/papers

Key-Value Retrieval Networks for Task-Oriented Dialogue

@tonya 推荐

#Dialog Systems

本文的具体研究场景是车载智能助理,作者提出了一种基于知识库的端到端解决方案,车的 response 信息检索自形如 key-value 知识库中。文章会在后面开放出一个数据集出来供大家研究。本文工作来自斯坦福 Christopher D. Manning 组。

论文链接:paperweekly.site/papers

本文由 AI 学术社区 PaperWeekly 精选推荐,社区目前已覆盖自然语言处理、计算机视觉、人工智能、机器学习、数据挖掘和信息检索等研究方向,点击即刻加入社区

我是彩蛋

解锁新姿势:用微信刷论文!

PaperWeekly小程序上线啦

今日arXiv√猜你喜欢√热门资源√

随时紧跟最新最热论文

解锁方式

1. 扫描下方小程序码打开小程序

2. 用PaperWeekly社区账号进行登陆

3. 登陆后即可解锁所有功能

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。

微信公众号:PaperWeekly

新浪微博:@PaperWeekly

发布于 2017-12-08

文章被以下专栏收录

    PaperWeekly是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。