基于知识拷贝机制的生成式对话模型

基于"编码—解码"结构的端到端生成式对话模型所生成的回复多样性差、信息量少,这在很大程度上阻碍了对话的进一步扩展和深入。而知识图谱作为一种高度结构化的知识,能够为对话提供相关知识以及话题转移关系,可以用来提升对话质量。因此,该文提出了一种基于知识拷贝机制的生成式对话模型,首先使用基于知识图谱的映射机制对对话内容进行处理,随后使用知识拷贝机制直接将知识图谱中的知识引入到生成的回复中,并使用注意力机制选择知识图谱中的信息来指导回复的生成。在"2019语言与智能技术竞赛"中的"知识驱动对话"数据集上,相较竞赛举办方提供的生成式基线模型,该文所提出模型生成的回复在字符级别的F1和多样性指标DISTINCT-1上分别有10.47%和4.6%的提升。

面向一致性对话生成的对抗匹配网络与目标侧注意力机制研究

序列到序列(seq2seq)方法在开放域对话生成领域中备受研究学者的关注。然而,标准的序列到序列模型容易产生语义冲突和不连贯的对话回复,这种不一致性是现有系统生成的回复显著有别于人类真实对话的重要原因之一。对话生成中的一致性既包括回复内部的语义一致性,也包括上文与其回复之间的外部关联性。本文提出了一个新的对话生成框架,称为基于张量匹配的生成式对抗网络(MatchGAN),以提高对话回复与其上文之间的外部关联性。与传统的基于最大似然估计的方法不同,该框架通过基于序列到序列模型的生成器和基于张量匹配网络的判别器之间的对抗学习来生成与上文相关的回复。通过使用匹配网络对上文与回复之间的多维关系进行建模,该模型所产生的回复更加符合人类对话的特点。此外,本研究进一步引入了目标侧注意力机制来增强所产生回复的内部语义一致性。实验结果表明,本文提出的框架能够产生高质量的对话回复,在量化指标评价和人工评测方面均优于其他基线方法。

面向高校的智能对话系统设计与实现

为帮助大学生快速了解学校和所学专业、便捷获取校园信息,设计并实现了面向高校的智能对话系统。首先搜集大学生高频搜索的校园和专业信息的问答文本数据,训练成二进制词向量文件;其次结合Seq2Seq模型和Attention机制构建生成式对话模型,并通过计算余弦相似度返回最高相似度答案。该系统针对高校校园场景实现人机对话,可帮助大学生更好地融入大学生活。

ChatGPT对循证医学发展的影响、挑战及其应对

探讨了ChatGPT在循证医学领域的应用潜力,分析其可能带来的挑战并提出应对策略。ChatGPT作为当前最火爆的人工智能技术之一,在推动循证医学学科发展方面发挥着重要作用,尤其体现在:扩展原始证据来源、提高证据获取的效率、协助医患共同决策、促进循证医学教育和科普教育。当前ChatGPT正处于“技术萌芽期”,需要警惕其带来的风险,例如“证据污染”、算法黑箱、安全漏洞和数字鸿沟等。为了平衡ChatGPT在循证医学领域的积极作用与潜在风险,笔者从ChatGPT的伦理规范、证据来源、专家验证和使用规范等角度给出了对策和建议。