sdu_hao的博客

原文地址EMNLP2017,论文地址。EMNLP 2017 这篇论文给出的对话场景叫谈判协商（Negotiation），并且他们认为谈判协商既包含合作，又包含对抗竞争。用他们的实验来理解这样一个场景，首先，这个谈判协商旨在两个人之间进行，A 和 B。总共有一定数量的几种物品，A 和 B 需要通过谈判，去分享这些物品。重点在于，同一种物品，对于 A 和 B 的价值是不一样的，且他们无法知晓这个物品对于对方的价值如何。而 A 和 B 都希望尽可能地通过谈判使得自己最后得到的物品总价值更高。分析这样一个场

本篇博客主要参考/节选中科院自动化所王唯康博士的博士论文《任务型对话系统中对话管理方法研究》。《Incremental Learning from Scratch for Task-Oriented Dialogue Systems》文章目录1. 引言2. 相关工作3. 基于增量学习的对话系统3.1 对话上下文表征模块3.2 不确定性估计模块3.3 在线学习模块1. 引言本文提出了一个基于增量学习框架的任务型对话系统设计方法。设计任务型对话系统的第一步是明确系统所能解决的用户需求。如果开发者在训练系

本篇博客主要参考/节选中科院自动化所王唯康博士的博士论文《任务型对话系统中对话管理方法研究》。文章目录1. 概述2. 基于管道的任务型对话系统2.1 语言理解模块2.2 对话管理模块2.3 语言生成模块3. 端到端的任务型对话系统3.1 基于检索的任务型对话系统3.2 基于生成的任务型对话系统4. 任务型对话语料收集5. 用户仿真技术6. 问题分析1. 概述早期任务型对话系统基于规则实现，实现比较简单并在简单的对话任务中取得了不错的效果，但难以适用于复杂的对话任务，规则的撰写和维护需要消耗大量的人力

本篇博客主要参考/节选中科院自动化所王唯康博士的博士论文《任务型对话系统中对话管理方法研究》。文章目录1. 对话系统分类2. 现有对话管理方法的不足1. 对话系统分类设计目的根据设计目的的不同，人机对话系统可以划分为三类：聊天机器人(chat bots)/闲聊型对话系统（微软小冰等）、问答系统(question and answering systems)和任务型对话系统(task-oriented dialogue systems，阿里小蜜等)。聊天机器人的设计目的是尽可能让用户同系统进行更

原文地址分享嘉宾：杨比特 丁香园编辑整理：叶祺出品平台：DataFunTalk导读：本次分享的主题为医疗健康领域的短文本理解，主要介绍在丁香园的业务场景下，短文本理解的技术实践，并讨论知识图谱技术如何在医疗健康领域的搜索推荐中落地应用，希望能够给大家的日常工作提供一些思路。主要内容包括：丁香园主要的业务和所服务的对象，以及在垂直领域下NLP工作可能需要面对的挑战在医疗健康领域短文本理解上的尝试结合工业场景，展示一些应用案例文章目录1. 业务场景及文本解析困境思考2. 解决识别的准确问题

本篇博客分享一篇来自ACL2018的论文《Task-oriented Dialogue System for Automatic Diagnosis》文章目录1. Abstract2. Introduction3. Model1. Abstract本文首次构建了一个任务型对话系统来做医疗自动诊断。该系统可以通过和病人进行对话，在病人self-reports的基础上，收集一些额外的症状，来做自动诊断，提高诊断的准确率。此外，本文通过提取在线医学平台上病人self-reports和病人与医生对话中的症状，

本篇博客内容主要来自第十四届中国中文信息学会暑期学校暨中国中文信息学会《前沿技术讲习班》— 张伟男、车万翔《任务型对话系统》PPT下载链接1. 任务型对话系统概述人机对话系统四大功能/分类2. 任务型对话系统关键技术任务型对话系统结构自然语言理解领域与意图识别是一个分类问题。语义槽填充是一个序列标注任务。研究热点意图识别与槽填充联合学习语境相关的自然语言理解基于小样本学习的自然语言理解（一） 意图识别与槽填充联合学习1）意图识别与槽填充不是相互独立

原文地址分享嘉宾：唐呈光 阿里巴巴 算法专家编辑整理：刘汝洲内容来源：阿里小蜜 & DataFun AI Talk出品社区：DataFun阿里小蜜智能对话开发平台是智能服务事业部推出的面向各行各业的对话构建平台，此次分享将结合平台，对小样本下的语言理解、用户模拟器和基于模型的对话管理的算法研究和落地进行介绍。文章目录对话系统简介自然语言理解平台视角下的对话管理对话管理成功的三要素：基于 TaskFlow 的业务建模具备鲁棒性可持续学习Dialog State Tracking（DST）P

原文地址作者丨唐呈光、戴音培、李永彬、孙健单位丨阿里巴巴智能服务事业部小蜜北京团队文章目录1. 用户模拟器基础用户模拟器产生背景用户模拟器的基本结构2. 用户模拟器的实现方法基于规则的方法基于模型学习的方法3. 用户模拟器的评价方式4. 用户模拟器面临的挑战5. 总结6. 参考文献1. 用户模拟器基础用户模拟器产生背景近几年来，强化学习在任务导向型对话系统中得到了广泛的应用，对话系统通常被统计建模成为一个马尔科夫决策过程（Markov Decision Process）模型，通过随机优化的方法来

原文链接作者丨戴音培、虞晖华、蒋溢轩、唐呈光、李永彬、孙健单位丨阿里巴巴-达摩院-小蜜Conversational AI团队，康奈尔大学1. 对话管理模型背景从人工智能研究的初期开始，人们就致力于开发高度智能化的人机对话系统。艾伦·图灵（Alan Turing）在 1950 年提出图灵测试 [1]，认为如果人类无法区分和他对话交谈的是机器还是人类，那么就可以说机器通过了图灵测试，拥有高度的智能。第一代对话系统主要是基于规则的对话系统，例如 1966 年 MIT 开发的 ELIZA 系统 [2] 是