亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

主題： Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion

摘要： 會話推薦系統（CRS）旨在通過交互式對話向用戶推薦高質量的項目。盡管已為CRS做出了一些努力，但仍有兩個主要問題有待解決。首先，對話數據本身缺少足夠的上下文信息，無法準確地了解用戶的偏好。第二，自然語言表達與項目級用戶偏好之間存在語義鴻溝。為了解決這些問題，我們結合了面向單詞和面向實體的知識圖（KG）來增強CRS中的數據表示，并采用互信息最大化來對齊單詞級和實體級的語義空間。基于對齊的語義表示，我們進一步開發了用于進行準確推薦的KGenhanced推薦器組件，以及可以在響應文本中生成信息性關鍵字或實體的KG增強對話框組件。大量的實驗證明了我們的方法在推薦和對話任務上都能產生更好的性能。

主題： Enriching Documents with Compact, Representative, Relevant Knowledge Graphs

介紹： 知識圖譜中蘊含豐富的知識，一個典型應用是利用知識圖譜進行文本擴充，從而幫助用戶更好地理解文檔內容。現有方法識別知識圖譜中提及的實體，并且將實體類型和實體間的直接關系作為擴充內容，這種方式表達能力非常有限。因此我們考慮用連通實體關系子圖的形式，以更好地表示一組實體間的整體關系。為了提供有代表性的、緊湊的且與文檔相關的子圖，我們提出了一個方法，分為兩個步驟：第一步，我們計算文檔中提及實體的最重要子集，使得代表性和緊湊性能夠得到權衡，并保證知識圖譜中包含連接這些實體的子圖，然后執行已有的搜索算法得到所有子圖；第二步，根據相關性返回排名第一的結果。

隨著網絡新聞的爆炸式增長，個性化的新聞推薦對于網絡新聞平臺幫助用戶發現感興趣的信息變得越來越重要。現有的新聞推薦方法通過從新聞內容和用戶與新聞的直接交互(如點擊)中構建精確的新聞表示和用戶表示來實現個性化，而忽略了用戶與新聞之間的高階關聯。**本文提出了一種新聞推薦方法，通過對用戶和新聞之間的關系進行圖形化建模，增強用戶和新聞之間的表示學習。**在我們的方法中，用戶和新聞都被看作是歷史用戶點擊行為構造的二部圖中的節點。對于新聞表示，首先利用transformer架構構建新聞語義表示。然后通過一個圖注意力網絡將其與圖中相鄰新聞信息相結合。對于用戶表示，我們不僅表示來自其歷史上單擊的新聞的用戶，而且還仔細地將其鄰居用戶的表示合并到圖中。在大型真實數據集上的改進性能驗證了我們所提方法的有效性。

摘要

推薦系統是一種軟件應用程序，它可以幫助用戶在信息過載的情況下找到感興趣的主題。當前的研究通常假設一個一次性的交互范式，其中用戶偏好是根據過去歷史觀察到的行為來估計的，并且按照等級排序的推薦列表是用戶交互的主要的且是單向的形式。對話推薦系統(CRS)采用了一種不同的方法，支持更豐富的交互。例如，這些交互可以幫助改進偏好激發過程，或者允許用戶詢問關于推薦的問題并給出反饋。對CRS的興趣在過去幾年里顯著增加。這種發展主要是由于自然語言處理領域的重大進展，新的語音控制家庭助手的出現，以及聊天機器人技術的增加使用。在本文中，我們詳細介紹了現有的對話推薦方法。我們將這些方法按不同的維度進行分類，例如，根據支持的用戶意圖或用戶在后臺使用的知識。此外，我們還討論了技術方法，回顧了CRS的評估方法，并最終確定了一些在未來值得更多研究的差距。

介紹

推薦系統是人工智能在實踐中最明顯的成功案例之一。通常，這些系統的主要任務是為用戶指出感興趣的潛在主題，例如電子商務網站。因此，它們不僅可以在信息超載的情況下幫助用戶，還可以對服務提供商的業務做出重大貢獻。 在這些實際應用中，推薦是一個一次性的交互過程。通常，底層系統會隨著時間的推移監視其用戶的行為，然后在預定義的導航情況下(例如，當用戶登錄到服務時)提供一組定制的建議。盡管這種方法在各個領域都很常見，也很有用，但是它可能有一些潛在的限制。例如，在許多應用程序場景中，用戶首選項無法從其過去的交互中可靠地估計出來。對于高介入的產品(例如，當推薦一款智能手機時)，我們甚至可能完全沒有過去的觀察結果。此外，在一組建議中包含哪些內容可能與上下文高度相關，而且可能很難自動確定用戶的當前情況或需求。最后，另一個假設通常是，當用戶登錄網站時，他們已經知道自己的偏好。然而，這未必是真的。例如，用戶可能只在決策過程中確定他們的首選項，例如，當他們意識到選項的空間時。在某些情況下，他們也可能只在與推薦者的交互過程中了解這塊內容和可用的選項。 對話推薦系統(CRS)是可以幫助解決這些的挑戰中的許多這樣的問題。一般來說，這種系統的總體思想是支持與用戶進行面向任務的多回合對話。例如，在這樣的對話中，系統可以引出用戶當前的詳細偏好，為主題推薦提供解釋，或者處理用戶對所提建議的反饋。 鑒于這類系統的巨大潛力，對CRS的研究已經有了一定的傳統。早在20世紀70年代末，Rich就設想了一個電腦化的圖書管理員，通過用自然語言互動地向用戶提問有關他們的個性和偏好的問題，向他們提出閱讀建議。除了基于自然語言處理(NLP)的接口外，近年來還提出了多種基于表單的用戶接口。CRS中較早的基于這些接口的交互方法之一稱為critiquing，它在1982年就被提出作為數據庫領域的查詢重新制定的一種方法。在critiquing方法中，用戶很快會在對話中看到一個建議，然后可以對這些建議應用預先定義的評論。 基于表單的方法通常很有吸引力，因為用戶可以使用的操作是預先定義的、明確的。然而，這樣的對話也可能出現非自然的，用戶可能在表達他們的偏好的方式上感到約束。另一方面，基于NLP的方法在很長一段時間內受到了現有的限制，例如在處理語音命令的上下文中。然而，近年來，語言技術取得了重大進展。因此，我們現在習慣于向智能手機和數字家庭助手發出語音命令，這些設備的識別精度已經達到了令人印象深刻的水平。與語音助手領域的這些發展相對應，我們注意到聊天機器人技術在最近幾年的快速發展。聊天機器人，無論是簡單的還是復雜的，通常也能處理自然語言，現在廣泛應用于各種應用領域，例如，處理客戶服務請求。 這些技術的進步導致在過去幾年中對CRS的興趣增加。然而，與以前的許多方法相比，我們注意到今天的技術建議更多地是基于機器學習技術，而不是遵循預先定義的對話路徑，用于確定要向用戶詢問的下一個問題。然而，通常在語音助手和聊天機器人的功能與支持真正的對話推薦場景(如系統是語音控制的)所需的功能之間仍然存在差距。 本文從不同的角度對對話推薦系統的文獻進行了綜述。具體地說,我們將討論(i)CRS的交互模式(第3節),(ii)CRS基于的知識和數據(第4節), 和(iii)CRS中典型的計算任務(第5節)。然后,我們討論CRS的評估方法(第6節),最后展望未來的發展方向。

對話系統的特征描述

關于什么是CRS，文獻中沒有一個公認的定義。在這項工作中，我們使用以下定義。 CRS是一個軟件系統，它支持用戶通過多回合的對話來實現推薦相關的目標。

CRS的概念架構：在過去的二十年中，人們提出了各種CRS模型的技術途徑。這些解決方案的技術體系結構的細節取決于系統的功能，例如，是否支持語音輸入。盡管如此，仍然可以確定此類體系結構的許多典型概念組件，如圖1所示。

CRS交互模式

最近對CRS的興趣是由NLP的發展和技術進步(如寬帶移動互聯網接入和智能手機和家庭助手等新設備)推動的。然而，我們對文獻的回顧表明，用戶和CRS之間的交互既不局限于自然語言輸入和輸出，也不局限于特定的設備。

知識和背景數據

根據所選擇的技術方法，CRS必須結合各種類型的知識和背景數據才能發揮作用。顯然，像任何推薦人一樣，必須有關于推薦項目的知識。同樣，推薦的生成要么基于明確的知識，例如推薦規則或約束，要么基于在一些背景數據上訓練的機器學習模型。然而，對話系統通常依賴于其他類型的知識，例如對話中的可能狀態，或者用于訓練機器學習模型的數據，如記錄和轉錄的自然語言推薦對話。

計算任務

在討論了推薦對話中可能的用戶意圖之后，我們現在將回顧CRS的常見的計算任務和技術方法。我們區分(i)主要任務，即那些與推薦過程更直接相關的，例如，計算推薦或確定下一個要問的問題，以及(ii)額外的支持任務。

介紹對話系統的評價

一般情況下，推薦系統可以通過不同的方法從不同的維度進行評價。首先，當系統在其使用上下文中進行評估時，即，當它被部署時，我們通常最感興趣的是通過A/B測試來衡量系統是否達到了設計目標的具體關鍵性能指標(KPI)，例如，增加的銷售數字或用戶參與度。其次，用戶研究(實驗室實驗)通常調查與系統感知質量相關的問題。常見的質量維度是建議的適宜性、流程的可感知透明性或易用性。最后，計算性實驗不需要用戶參與評估，而是基于客觀指標來評估質量，例如，通過測量建議的多樣性或計算運行時間來預測測試集中的輔助評級的準確性。同樣的質量維度和研究方法也適用于CRS。然而，在比較面向算法的研究和對話系統的研究時，我們發現評估的主要焦點往往是不同的。由于CRS是高度交互的系統，因此與人機交互有關的問題更常用于這些系統的研究。此外，在測量方法方面，CRS評估不僅關注任務的完成，即，如果建議是合適的或最終被接受的，但也涉及到與談話本身的效率或質量有關的問題。

總結和未來工作

總的來說，我們的研究表明，CRS領域在過去幾年中出現了一定程度的復興，其中最新的方法依賴于機器學習技術，尤其是深度學習和基于自然語言的交互。考慮到語音控制系統(如智能音箱)最近的興起，以及聊天機器人系統的日益普及，我們預計在未來幾年將看到對CRS的更多研究。雖然在某些方面取得了重大進展，但仍有許多領域需要進行更多的研究。在接下來的文章中，我們將概述一些有待解決的問題以及該領域未來可能的發展方向。 第一個問題涉及模式的選擇。盡管近年來，“自然語言”越來越流行，但究竟哪種情況下“自然語言”才是最好的選擇，目前還不完全清楚。需要進行更多的研究來了解哪種模式適合當前給定的任務和情況，或者是否應該向用戶提供替代模式。一個有趣的研究方向還在于解釋用戶的非言語交際行為。此外，完全基于語音的CRS也有一定的局限性，例如，在一個交互周期中提供完整的推薦集合。在這種情況下，用戶可能希望對一組推薦進行總結，因為在大多數情況下，當CRS向用戶推薦過多(例如多于兩三個)選項時，這可能沒有意義。

強化學習（RL）研究的是當環境（即動力和回報）最初未知，但可以通過直接交互學習時的順序決策問題。RL算法最近在許多問題上取得了令人印象深刻的成果，包括游戲和機器人。 然而，大多數最新的RL算法需要大量的數據來學習一個令人滿意的策略，并且不能用于樣本昂貴和/或無法進行長時間模擬的領域（例如，人機交互）。朝著更具樣本效率的算法邁進的一個基本步驟是，設計適當平衡環境探索、收集有用信息的方法，以及利用所學策略收集盡可能多的回報的方法。

本教程的目的是讓您認識到探索性開發困境對于提高現代RL算法的樣本效率的重要性。本教程將向觀眾提供主要算法原理（特別是，面對不確定性和后驗抽樣時的樂觀主義）、精確情況下的理論保證（即表格RL）及其在更復雜環境中的應用，包括參數化MDP、線性二次控制，以及它們與深度學習架構的集成。本教程應提供足夠的理論和算法背景，以使AI和RL的研究人員在現有的RL算法中集成探索原理，并設計新穎的樣本高效的RL方法，能夠處理復雜的應用，例如人機交互（例如，會話代理），醫學應用（例如，藥物優化）和廣告（例如，營銷中的終身價值優化）。在整個教程中，我們將討論開放的問題和未來可能的研究方向。

論文題目： Knowledge-based Conversational Search

摘要：

允許對數字存儲信息進行直觀和全面訪問的對話接口仍然是一個目標。在這篇論文中，分析了對話搜索系統的需求，并提出了一些具體的解決方案來自動化這些系統應該支持的基本組件和任務，從而為對話搜索系統的設計奠定了基礎。我們描述了幾個相互依賴的研究，這些研究分析了更高級的對話搜索系統的設計需求，該系統能夠支持復雜的類人對話交互，并提供對巨大知識庫的訪問。在前兩章的研究中，重點分析了信息搜索對話中常見的結構，從領域獨立的話語功能關系和領域特定的隱含語義關系兩方面分析了重復模式。結果顯示，問題回答是特定信息訪問的關鍵組成部分之一，但它不是會話搜索系統應該支持的對話交互的唯一類型。在第三章的研究中，提出了一種新穎的方法來解決復雜的問題。在最后的研究章節中，將注意力轉向了另一種交互模式，稱之為對話瀏覽，在這種模式中，會話系統與問題回答不同，在對話交互過程中起著更積極的作用。結果表明，由于詞匯量不匹配問題，該方法可以幫助用戶發現僅使用問題回答無法檢索的相關條目。

論文作者：

Svitlana Vakulenko是阿姆斯特丹大學博士，研究范圍是自然語言處理、對話系統、問答、對話搜索。

論文下載鏈接： //svakulenk0.github.io/pdfs/Conversational_Search_in_Structure__PhD_Thesis_Vakulenko_.pdf

ppt下載鏈接：

主題： Neural Approaches to Conversational AI

摘要： 開發一個智能對話系統，不僅可以模擬人類對話，還可以回答從電影明星的最新消息到愛因斯坦的相對論等各種主題的問題，并完成旅行計劃等復雜任務，一直是人工智能最長的目標之一。這一目標直到最近才實現。隨著大量的會話數據可用于訓練，深度學習（DL）和強化學習（RL）的突破被應用到會話人工智能中，我們在學術界和工業界都看到了有希望的結果。在本教程中，我們首先簡要介紹與對話人工智能相關的DL和RL的最新進展。然后，我們詳細描述了為三種對話系統或機器人開發的最先進的神經方法。第一個是問答機器人。QA bot具有從各種數據源（包括Web文檔和預編譯的知識圖）中提取的豐富知識，可以為用戶查詢提供簡潔直接的答案。第二個是面向任務的對話系統，它可以幫助用戶完成從會議安排到假期計劃等任務。第三種是社交聊天聊天機器人，它能與人進行無縫、恰當的對話，經常扮演聊天伙伴和推薦者的角色。

邀請嘉賓： Michel Galley是微軟研究人工智能的高級研究員。他的研究興趣在自然語言處理和機器學習領域，特別關注會話人工智能、神經生成、統計機器翻譯和總結。他獲得了哥倫比亞大學的碩士和博士學位，并獲得了電子計算機科學學士學位。在加入微軟研究之前，他是斯坦福大學計算機系的研究助理。他還是南加州大學/國際科學院NLP小組和貝爾實驗室口語對話系統小組的定期訪問研究員。他與人合著了50多篇科學論文，其中許多出現在頂級的NLP、AI和ML會議上。其中兩份出版物是最佳論文決賽（NAACL 2010，EMNLP 2013）。他還擔任全國人民解放大會（ACL、NAACL、EMNLP）的地區主席，并在SIGIR和IJCAI擔任高級PC成員。

高劍鋒是微軟人工智能研究院的合作伙伴研究經理。他領導了人工智能系統的開發，用于機器閱讀理解（MRC）、問答（QA）、社交機器人、目標導向對話和商業應用。2014年至2017年，他擔任微軟研究院（Microsoft Research）深度學習技術中心（Deep Learning Technology Center）的合作研究經理，領導文本和圖像處理深度學習研究。從2006年到2014年，他是微軟研究中心（Microsoft Research）自然語言處理組的首席研究員，主要從事網絡搜索、查詢理解和重組、廣告預測和統計機器翻譯。從2005年到2006年，他是微軟自然交互服務部門的一名研究負責人，在那里他參與了ProjectX，這是一項為Windows開發自然用戶界面的工作。2000年至2005年，他在微軟亞洲研究院自然語言計算組擔任研究負責人，與同事們共同開發了微軟Office發布的首個中文語音識別系統，即市場上領先的中文/日文輸入法編輯器（IME），以及微軟Windows的自然語言平臺。