- Language Models are Few-Shot Learners [arXiv]
- Subgoal Discovery for Hierarchical Dialogue Policy Learning [arXiv]
- NIPS Conversational Intelligence Challenge 2017 Winner System: Skill-based Conversational Agent with Supervised Dialog Manager [ACL, Github]
- Universal Sentence Encoder [arXiv]
- Deep contextualized word representations [arXiv]
- Dynamic Meta-Embeddings for Improved Sentence Representations [arXiv]
-
How People Negotiate? From the Analysis of a Dialogue Corpus to a Dialogue System [Paper]
-
A Survey of Available Corpora For Building Data-Driven Dialogue Systems: The Journal Version [arXiv]
+
Большая статья, хороший обзор. Из интересного указаны датасеты к которым есть юзер симуляторы и обозначены проблемы диалоговых систем.
-
Personalizing Dialogue Agents: I have a dog, do you have pets too? [arXiv]
- Avoiding Echo-Responses in a Retrieval-Based Conversation System [arXiv]
- Conversational AI: The Science Behind the Alexa Prize [Amazon]
- Sounding Board – University of Washington’s Alexa Prize Submission [Amazon]
- Alquist: The Alexa Prize Socialbot [Amazon]
- Superhuman AI for heads-up no-limit poker: Libratus beats top professionals [Science]
- A Survey on Dialogue Systems: Recent Advances and New Frontiers [arXiv]
- A Deep Reinforcement Learning Chatbot [arXiv]
- Seq2SQL: Generating Structured Queries from Natural Language using Reinforcement Learning [arXiv]
- Generating Sentences by Editing Prototypes [arXiv]
- Towards an Automatic Turing Test: Learning to Evaluate Dialogue Responses [arXiv]
- Referenceless Quality Estimation for Natural Language Generation [arXiv]
- Speech and Language Processing (3rd ed. draft). Dialog Systems and Chatbots and Advanced Dialog Systems chapters [Stanford]
- Machine Teaching: A New Paradigm for Building Machine Learning Systems [arXiv]
- Machine Comprehension by Text-to-Text Neural Question Generation [arXiv]
- TriviaQA: A Large Scale Dataset for Reading Comprehension and Question Answering [Resource]
- A Survey of Deep Learning Methods for Relation Extraction [arXiv]
- A Deep Reinforced Model for Abstractive Summarization [arXiv]
- Ask the Right Questions: Active Question Reformulation with Reinforcement Learning [arXiv]
-
Composite task-completion dialogue policy learning via hierarchical deep reinforcement learning [arXiv]
+
Те же чуваки делали, примерно также как и в прошлой статье. Тоже goal oriented, но тут подробнее описали как тренировали стейт трекер. Причем его разделили на low-level, где на каждом ходу награда дается и на high-level где награда дается уже достижение большой цели. Ну и цель на подзадачи как-то разбили.
-
Neural Question Generation from Text: A Preliminary Study [arXiv]
-
Reading Wikipedia to Answer Open-Domain Questions [arXiv]
-
SearchQA: A New Q&A Dataset Augmented with Context from a Search Engine [arXiv]
-
Learning Conversational Systems that Interleave Task and Non-Task Content [arXiv]
+
Тут в task-oriented систему примешивают chit-chat модуль, берут длинный контекст диалога и это дает им прирост как в user engagement так и в достижении цели. Мерили людьми по 50 диалогов (без chit-chat модуля, с ним, длинный и короткий контексты). В качестве симулятора использовали Alice (рестартили беседу, когда Алиса начинала повторяться). В качестве награды для RL использовали линейную комбинацию длины диалога, информативности и пары других эвристик.
-
End-to-end task-completion neural dialogue systems [arXiv]
+
Тут разбирается task oriented система. Надо заполнить фрейм. Решают через end2end систему с RL. Для обучения использовали юзер симулятор. Также награду сразу давали, т.к. есть симулятор и это позволило решить проблему с отложенной наградой в диалогах.
-
Massive Exploration of Neural Machine Translation Architectures [arXiv, github]
-
Building machines that learn and think like people [arXiv]
+
Тут с точки зрения психологии и смежных наук сравнивается текущее состояние ИИ и интеллект человека. Как обычно пишут, что человек намного быстрее и эффективнее обучается. Говорят что это может быть связано с тем что у человека есть врожденные особенности. Типа уже к году человек примерно представляет физику (инерция скорость и тд), язык тоже очень быстро осваивает и тд.
-
User involvement in collaborative decision-making dialog systems [Springer]
+
Тут рассмотрен диалоговый агент как помощник и компаньон юзера. Такой collaborive-decision making process. Тут был использован классический подход, отдельная база знаний, planning framework, decision model (всякие эвристики).
-
История развития ИИ. Проблемы этики искусственного интеллекта [GitHub]
- Generative Deep Neural Networks for Dialogue: A Short Review [arXiv]
- SQuAD: 100,000+ Questions for Machine Comprehension of Text [arXiv, github, review presentation]
- Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation [arXiv]
- Named Entity Recognition Using Syntactic and Semantic Features and Neural Networks [Dialogue-21]
- Dialog State Tracking Challenge 5 Handbook v3.1 [DSTC5]
- Neural Belief Tracker: Data-Driven Dialogue State Tracking [arXiv]
- Sentence Pair Scoring: Towards Unified Framework for Text Comprehension [arXiv]
- End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF [arXiv]
- Generating Factoid Questions With Recurrent Neural Networks: The 30M Factoid Question-Answer Corpus [arXiv, corpora, review presentation]
- The Dialog State Tracking Challenge Series: A Review [Dialogue & Discourse]
- The Fourth Dialog State Tracking Challenge [ResearchGate]
- A Survey of Available Corpora for Building Data-Driven Dialogue Systems [arXiv]
- Towards AI-Complete Question Answering: A Set of Prerequisite Toy Tasks [arXiv]
- Hierarchical Conversation Structure Prediction in Multi-Party Chat [ACL]
- Разработка диалоговой системы с применением корпуса [Dialog-21]
- Dialogue systems and planning [[Paper - ftp://ftp.irit.fr/pub/IRIT/CSC/tsd02.pdf]]
+
Предложили вместо интентов и использовать план. Есть задача. Задача решается через достижение цели. Цель достигается посредством плана. План - это такой граф, где каждый узел это какое-то действие. План есть у юзера, у доменной области и у агента.
- A Plan Based Agent Architecture for Interpreting Natural Language Dialogue [Paper]
+
Рассмотрен диалоговый агент построенный на базе дискурсного анализа и планирования. Речевые акты, модель агента и модель доменной области и т.д.
- Speech acts for dialogue agents [Paper]
- Chatterbots, tinymuds, and the turing test: Entering the loebner prize competition [AAAI]