MyHeartWillGoOn

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~无抄袭，无复制，纯手工敲击键盘~今天为大家带来的是《Natural Language Generation with Contrastive Learning。

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~无抄袭，无复制，纯手工敲击键盘~今天为大家带来的是《Contrastive Learning for Inference in Dialogue》出版：EMNLP时间：2023类型：对话中的推理特点：对比学习；对话；推理作者：Etsuko Ishii第一作者机构：The Hong Kong University of Science and Technology。

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~无抄袭，无复制，纯手工敲击键盘~今天为大家带来的是《Exploiting Emotion-Semantic Correlations for Empathetic Response Generation》出版：时间： 2023类型：共情回复生成特点：情绪语义关联；共情；回复生成作者：Zhou Yang, Zhaochun Ren。

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~无抄袭，无复制，纯手工敲击键盘~今天为大家带来的是《TSAM: A Two-Stream Attention Model for Causal Emotion Entailment》出版： COLING时间：2022类型：因果情绪蕴含关键词：知识桥；因果；情绪；蕴含作者：Duzhen Zhang, Zhen Yang等。

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~无抄袭，无复制，纯手工敲击键盘~今天为大家带来的是《Joint Constrained Learning with Boundary-adjusting for Emotion-Cause Pair Extraction》出版：ACL时间：2023类型：情绪原因对提取关键词：联合约束学习；边界调整；情绪；原因；作者：Huawen Feng, Junlong Liu等。

今天为大家带来的是《Learning Discourse-level Diversity for Neural Dialog Models using Conditional Variational Autoencoders出版：ACL时间：2017.10.21类型：对话生成关键词：对话生成，条件变分自编码器，隐变量作者：Tiancheng Zhao, Ran Zhao and Maxine Eskenazi等。

今天为大家带来的是《LORA: LOW-RANK ADAPTATION OF LARGE LAN-GUAGE MODELS》出版：时间：2021年10月16日类型：大语言模型的微调方法关键词：作者：Edward Hu, Yelong Shen 等第一作者机构：Microsoft Corporation。

你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《HIERARCHICAL DIALOGUE UNDERSTANDING WITH SPECIAL TOKENS AND TURN-LEVEL ATTENTION》出版：ICLR时间： 2023类型：层次化对话理解特点：轮级TOKEN和轮级注意力机制。

你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《A Speaker-aware Parallel Hierarchical Attentive Encoder-Decoder Model for Multi-turn Dialogue Generation》出版：CoRR abs时间： 2021类型：开放域双方多轮对话生成。

前言相关知识自编码语言模型自回归语言模型简介任务定义部分参数更新代码实验结果你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《Prefix-Tuning: Optimizing Continuous Prompts for Generation》出版：ACL时间： 2021类型：table-to-text generation using GPT；特点：固定PLM参数+优化前缀提示+连续提示。

你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《Natural Language Inference Prompts for Zero-shot Emotion Classification in Text across Corpora》出版： COLING时间： 2022类型：文本情感分类特点：零样本学习 + 利用NLI做文本情感识别任务 + 集成prompt。

你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《Evaluating the Robustness of Discrete Prompts》出版：EACL时间： 2023类型：验证性论文特点：鲁棒性 离散提示作者：Yoichi Ishibashi第一作者机构：Nara Institute of Science and Technology。

你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《Unsupervised Knowledge Selection for Dialogue Generation》出版：ACL-IJCNLP时间： 2021类型：对话生成特点：远程监督知识选择+知识蒸馏作者：Shengding Hu。

你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《Generated Knowledge Prompting for Commonsense Reasoning》出版：ACL时间： 2022类型：常识推理特点：利用提示学习进行常识推理作者：Jiacheng Liu。

过去的对话关系抽取并没有过多关注讲话者对于该任务的贡献，只是将其作为一个区别符号拼接到对话语句之前，针对此现象作者提出基于图注意力网络来更好地理解对话上下文，从而准确识别实体关系因为第一次接触，所以还是要知道这个任务的明确定义。

前言相关知识文本摘要对话摘要简介模型构架常识知识生成注入常识知识的摘要过滤交叉合并SICK++训练创新点问题摘要长文本对话摘要方法模型构架问题2023-5-5组会记录，本周分享的两篇论文分别为：解决文本和对话之间的差异SUMMNSUMM^NSUMMN改变长文本对话被截断的命运出版：COLING时间： 2022类型：对话摘要（Abstractive dialogue summerization）特点：融合动态外部知识的对话摘要+反向预测常识知识作者：Seungone Kim等。

本周分享的一篇论文为：出版： International Conference on Computational Linguistics时间： 2022类型：多方对话中语篇解析特点：多方对话，speaker信息，预测相同说话者，预测语句之间的关系作者：Nan Yu, Guohong Fu, Min Zhang第一作者机构：School of Computer Science and Technology, Soochow University, China。

本周分享的一篇论文为：主要的创新点在于第一次在TOD领域缓解实体不一致的问题，所用到的方法是先生成实体后将其作为输入进行回复生成什么是实体不一致性？为什么在生成时需要实体呀？

本周分享的三篇论文为：提出思维链方法思维链融合零样本改变解码策略。

本周分享的一篇论文为：Enhanced Speaker-aware Multi-party Multi-turn Dialogue Comprehension大家在读开放域对话的时候应该也可以看出来，目前主流的对话类型还是双方对话，即一问一答，轮流发言，这样其实是真实对话中的最简单的形式，假定只有两个人在说话，并且他们发言的顺序是一先一后的。

你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？小白如何从零读懂论文？和我一起来探索吧！今天为大家带来的是《Empathetic Dialogue Generation via Sensitive Emotion Recognition and Sensible Knowledge Selection》出版：EMNLP时间： 2022类型：共情对话生成特点：细粒度情感识别（ERC）+结合情感的知识选择（Cross-Attention）

论文阅读》：分享阅读论文过程中的心得及主要方法介绍《论文阅读》Supervised Prototypical Contrastive Learning for Emotion Recognition in Conversation《论文复现》：复现论文所实现的效果《论文复现》MOJITALK: Generating Emotional Responses at Scale 部分过程讲解《实验细节》：在复现过程中所面临的技术难点，包括函数讲解，以及对于一些好用的库的介绍《实验细节》获得上三角矩阵做MASK。

说服策略识别任务要求系统根据对话识别说服者所采用的策略。然而，以往的方法主要关注上下文信息，对于结合心理反馈（即被说服者的情绪）来预测的策略却很少。在本文中，我们提出了一个cross-channel feedback memory network（CFO-Net）来利用情绪反馈来迭代地衡量策略的潜在好处，并将它们整合到上下文感知对话信息中。具体来说，CFO-Net 设计了一个反馈记忆模块，包括策略池和反馈池，以获得情绪感知策略表示。策略池旨在存储历史策略，反馈池基于反馈的情感信息获取更新的策略权重。

为了构建与人类流利交互的对话代理，以前的研究将知识或个人信息混合到预训练的语言模型中。然而，同时考虑知识和角色的模型仍然有限。我们提出了一个有效的对话代理，可以同时接地外部知识和个人信息。代理选择适当的知识和角色来使用我们使用我们的候选评分生成答案，该评分使用多编码器实现。然后，我们的模型利用知识-人增强查询的检索增强生成生成具有较小幻觉和更具吸引力的话语。我们对角色知识聊天进行了实验，并在自动指标的接地和生成任务上实现了最先进的性能。此外，我们通过人工评估和定性结果验证了模型在幻觉和参与度方面的答案。

典型的生成对话模型利用对话历史来生成响应。然而，由于一个对话话语通常可以通过多个不同的回复来适当地回答，因此仅基于历史信息生成所需的响应并不容易。直观地说，如果聊天机器人可以预见到用户在收到响应后会提前谈论的内容（即对话未来），它可能提供更多信息的响应。因此，我们提出了一种新颖的对话生成框架，名为 ProphetChat，该框架利用推理阶段的模拟对话未来来增强响应生成。为了使聊天机器人能够预见对话未来，我们设计了一个类似集束搜索的推出策略，用于使用典型的对话生成模型和对话选择器的对话未来模拟。

在对话中捕捉情绪在现代对话系统中起着至关重要的作用。然而，情绪和语义之间的弱相关性给对话中的情绪识别（ERC）带来了许多挑战。即使是语义相似的话语，情绪也可能因上下文或说话者而发生巨大变化。在本文中，我们为 ERC 任务提出了监督原型对比学习 (SPCL) 损失。利用原型网络，SPCL 旨在通过对比学习解决不平衡分类问题，并且不需要大批量。同时，我们设计了一个基于类别距离的难度测量函数，并引入课程学习来缓解极端样本的影响。我们在三个广泛使用的基准上取得了最先进的结果。

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。

前言文本摘要对话摘要角色信息的作用角色对话摘要的定义解决方法两种交互模型构架启发随着互联网产生的文本数据越来越多，文本信息过载问题日益严重，对各类文本进行一个“降维”处理显得非常必要，文本摘要便是其中一个重要的手段。文本摘要旨在将文本或文本集合转换为包含关键信息的简短摘要对话摘要是文本摘要的一个特例，其核心面向的是对话类数据。对话类数据有着不同的形式，例如：会议、闲聊、邮件、辩论、客服等等。不同形式的对话摘要在自己的特定领域有着不同的应用场景，但是它们的核心与摘要任务的核心是一致的，都是为了。

这里实现Trie Constraint的原理在于用一个sequence将之前的attribute和value对排列起来，当选择了name后只能选[saturaday或friday]，后续相同操作，这样就不会出现，选择了saturday之后有选择了peterborough。将KB利用记忆网络编码，主要用于处理单领域少量KB，比如bAbI，SMD，CamRest，MultiWOZ（单领域）利用DST生成检索query，然后和KB交互检索，这种现在用的比较少，破坏模型的训练过程（MultiWOZ）

目前很多对话数据集，除了提供对话历史外，还提供和该对话历史相关的一些额外信息。例如DuSINC数据集中提供的外部信息就是和当前对话相关的一些knowledge，persona chat数据集提供的就是当前用户的一些特征，比如年龄，个人偏好等等。

本文带来三篇关于统一自然语言理解任务的文章的解读，学习和思考当前使用抽取span的方法统一多任务的输入输出，实现一个模型解决多种任务的方法对于统一自然语言理解任务，前两篇论文主要是从input中抽取span，输出的结果均为开始的位置和结束的位置，而最后一篇文章是使用Structural Schema Instructor（SSI）来指导模型生成Structured Extraction Language（SEL），在该结构中就已经成功抽取出对应实体、关系等。