Ein kontrollier- und anpassungsfähiges Dialogsystem ohne Trainingsdaten
Ein Verstärkungslernen-Agent lernt, einen von Experten definierten Dialogbaum effizient zu navigieren, um sich an die Informationsbedürfnisse verschiedener Nutzer anzupassen.
Umfassende Bewertung von Großen Sprachmodellen als menschenähnliche Dialogsysteme
Großen Sprachmodelle haben durch Instruktionsanpassung neue Dialogfähigkeiten erreicht, aber es gibt noch viel Raum für Verbesserungen, um als wirklich menschenähnliche Dialogsysteme zu fungieren.
Dynamisches Präfix-Tuning für die Generierung von Antworten mit gemischter Initiative
Das vorgeschlagene IDPT-Modell kann die Initiative-Faktoren effektiv in separate Präfix-Parameter aufteilen und so die Generierung von Antworten mit gemischter Initiative ermöglichen, sowohl in überwachten als auch in unüberwachten Lernumgebungen.
Dial-MAE: Ein kontextbasierter maskierter Auto-Encoder für dialogbasierte Retrievalsysteme
Dial-MAE verwendet eine asymmetrische Encoder-Decoder-Architektur, um die Ausrichtung der Merkmale von Dialogkontext und Antwort zu verbessern und so die Leistung von Bi-Encoder-Modellen in der Dialogantwortauswahl zu steigern.
Umfangreiche Sammlung widersprüchlicher, von Modellen generierter Antworten für konsistenzorientierte Dialogsysteme
Eine umfangreiche Sammlung von widersprüchlichen Antworten, die von verschiedenen Dialogmodellen generiert wurden, kann dazu beitragen, die Charakteristika solcher Widersprüche besser zu verstehen und effizientere Methoden zur Vermeidung von Widersprüchen in Dialogsystemen zu entwickeln.
Förderung der Kommunikationsfähigkeiten von großen Sprachmodellen durch inneren Monolog
Große Sprachmodelle können durch den Einsatz von Kommunikationsfähigkeiten wie Themenwechsel, proaktives Fragen, Konzeptführung, Empathie und häufiges Zusammenfassen anthropomorpher und proaktiver in Gesprächen werden, was das Interesse der Nutzer erhöht.
Automatischer Dialoggenerierungsrahmen MP2D zur Verschiebung von Themen
MP2D ermöglicht die automatische Generierung von Dialogen mit natürlichen Themenwechseln durch die Nutzung von Wissensgraphen.
Noise-BERT: Ein vereinigtes Störungsrobustes Framework mit Rauschausrichtungsvortraining für die Aufgabe des lärmigen Slot-Füllens
Noise-BERT zielt darauf ab, die Herausforderungen von Störungen bei der Slot-Füllung in Dialogsystemen anzugehen und übertrifft dabei bisherige Methoden.
© 2024 by Linnk AI