当我们谈论「Chatbot」时，我们在读什么？ | 论文集精选 #05
PaperWeekly 是一個 AI 學術分享社區。這里聚集了大批一線 AI 學者，他們用精煉妙語推薦各自發現的優質論文。
點擊本文底部的「閱讀原文」即刻加入社區，創建屬于你的論文集。
這里是第 5 期論文集精選。本期我們帶來的是由 PaperWeekly 社區用戶?@cb?創建的 Chatbot 專題論文集，包含 20 篇對話系統、對話生成、自然語言理解等方向相關論文。
我們從中精選了 10 篇優質文章進行展示，如果有合你心意的論文，復制鏈接到瀏覽器即可查看原文。你也可以點擊「閱讀原文」，一鍵收藏此論文集。
Neural Response Generation with Dynamic Vocabularies
@zhangjun 推薦
#Dialogue Generation
本文針對 seq2seq 做文本生成任務 decoding 階段 vocabulary 過大導致計算性能差的問題，提出了一種 dynamic vocabulary 的 seq2seq 模型，本文已被AAAI2018 錄用。
BBQ-Networks: Efficient Exploration in Deep Reinforcement Learning for Task-Oriented Dialogue Systems@zhangjun 推薦
#Dialog Systems
AAAI2018 錄用文章，將深度強化學習用于對話系統。BBQ network 這個名字很有意思，工作來自微軟研究院和 CMU。
Integrating User and Agent Models: A Deep Task-Oriented Dialogue System
@zhangjun 推薦
#Dialogue Agent
港科大楊強老師組最新工作。
Flexible End-to-End Dialogue System for Knowledge Grounded Conversation@lukepan 推薦
#Chatbot
該論?所引?的知識是以 tuple 的形式儲存在 KB 中的。 knowledge 的引??式如下：Candidate Facts Retriever 從 input 中提取 entity，然后在 KB 中進? query，將通過 relation 尋找到的 objects 和 subjects 作為 Candidate Facts 存儲為?個集合。?
在 Reply Decoding 流程中，為了決定該使?哪些 facts，提出了 dynamic knowledge enquirer，?以根據 local contexts at various positions within a response 來 rank 并選擇集合中哪些 facts 應該被使?。
Affective Neural Response Generation@Jeffreygao?推薦
#Dialog Systems
在對話系統中來建模情感，提出了包含情感的詞向量。這篇論文的模型以 seq2seq 為背景，主要在三個點上做改進。（1）在 embedding 上加情感信息（2）改進 loss function（3）beam search 時考慮情感。
A Deep Reinforcement Learning Chatbot@xwzhong?推薦
#Chatbot
蒙特利爾算法研究實驗室（MILA）為參與亞馬遜 Alexa 大獎賽而開發的深度強化學習聊天機器人。
MILABOT 能夠與人類就流行的閑聊話題進行語音和文本交流。該系統包括一系列自然語言生成和檢索模型，如模板模型、詞袋模型、序列到序列神經網絡和隱變量神經網絡模型。
通過將強化學習應用到眾包數據和真實用戶互動中進行訓練，該系統學習從自身包含的一系列模型中選擇合適的模型作為響應。
真實用戶使用 A/B 測試對該系統進行評估，其性能大大優于競爭系統。由于其機器學習架構，該系統的性能在額外數據的幫助下還有可能繼續提升。
An End-to-End Trainable Neural Network Model with Belief Tracking for Task-Oriented Dialog@valyriansteel?推薦
#Natural Language Understanding
最近發表在語音頂會 Interspeech 上的一篇關于 end-to-end 任務型對話系統的文章。
提出的模型打破了傳統任務型對話系統的 pipeline 模式，用統一的分層 RNN（Hierarchical RNN）來做語義理解（NLU），狀態追蹤（DST） 和對話管理（DM）。
模型還有一個專門的模塊來做數據庫/知識庫的連接，能有效地把查詢結果加入到最后生成的對話回復中。實驗用的是基于 DSTC2 的對話數據，在對話狀態追蹤和回復預測上都取得了不錯的效果。
Generative Encoder-Decoder Models for Task-Oriented Spoken Dialog Systems with Chatting Capability@paperweekly 推薦
#Dialog Systems
本文給出了一個特定領域對話系統的端到端解決方案，包括用 entity indexing 來解決對話生成時的 OOV 問題，也包括從外部數據庫中獲取到知識并融合到生成的對話中，對工程實現有一定的啟發。本文已被 SIGIDIAL 2017 錄用。
Personalization in Goal-Oriented Dialog@paperweekly 推薦
#Dialog Systems
本文給出了一個個性化對話數據集和 baseline，這里的個性化包括了 speaker 的 profile，最近有幾篇都是做更加聰明的 chatbot，比如帶有情緒，帶有感情色彩，帶有一定個性。
Key-Value Retrieval Networks for Task-Oriented Dialogue@tonya?推薦
#Dialog Systems
本文的具體研究場景是車載智能助理，作者提出了一種基于知識庫的端到端解決方案，車的 response 信息檢索自形如 key-value 知識庫中。文章會在后面開放出一個數據集出來供大家研究。本文工作來自斯坦福 Christopher D. Manning 組。
本文由 AI 學術社區 PaperWeekly 精選推薦，社區目前已覆蓋自然語言處理、計算機視覺、人工智能、機器學習、數據挖掘和信息檢索等研究方向，點擊「閱讀原文」即刻加入社區！
??我是彩蛋?
解鎖新功能：熱門職位推薦！
PaperWeekly小程序升級啦
今日arXiv√猜你喜歡√熱門職位√
找全職找實習都不是問題
?
?解鎖方式?
1. 識別下方二維碼打開小程序
2. 用PaperWeekly社區賬號進行登陸
3. 登陸后即可解鎖所有功能
?職位發布?
請添加小助手微信（pwbot01）進行咨詢
?
長按識別二維碼，使用小程序
*點擊閱讀原文即可注冊
關于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
▽ 點擊 |?閱讀原文?| 收藏論文集
總結
以上是生活随笔為你收集整理的当我们谈论「Chatbot」时，我们在读什么？ | 论文集精选 #05的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 利用条件GANs的pix2pix进化版：
- 下一篇： 直播预告 | 亚马逊高级应用科学家熊元骏