16-20年 ACL 自然语言处理之人机对话方向论文与技术梳理

 

16-20 ACL Dialogue Primary Research

---

科研趋势-论文梳理
对话类方向趋势
2016
2017
2018
2019
2020
16年-20年 四年ACL关于 对话类 研究点小结
行业发展-当前可落地的工作
总结

toc

---

科研趋势-论文梳理

对话类方向趋势

2016-2020年ACL对话类文章篇数（不完全统计，篇名包含dialogue）：

Conclusion：The research on human-machine dialogue is becoming much more hot

2016

2016年大家的切入角度与研究点粗略归纳：

1. 对话者之间的关系融合
2. 序列模型+神经网络
3. 对话主题跟踪
4. 奖赏的对话策略

2017

2017年大家的切入角度与切入点粗略归纳：

1. 卷积与注意力神经网络识别与分类
2. 数据，信息,知识驱动
3. 状态跟踪
4. 任务式
5. 内容与话语关系融合

2018

2018年大家的切入角度与切入点粗略归纳：

1. 对话状态跟踪（端到端）
2. 知识扩散（神经网络生成）
3. 任务式对话策略规划
4. 识别对话中情感，注意力分层网络
5. 任务式对话（集成，序列到序列）

2019

2019年大家的切入角度与切入点粗略归纳：

1. 开放领域对话
2. 任务导向（NLG，预估/预算）
3. 用情感生成对话响应
4. 对话推理
5. 自监督对话
6. 属性感知演化对话策略/系统
7. 依据对话历史预测
8. 特定范围：中文领域的对话状态跟踪
9. 对抗学习框架
10. 长距离slot-value

2020

2020年大家的切入角度与切入点粗略归纳：

1. 预训练
2. 任务式（标签增强，自适应）
3. 对话状态跟综与推理
4. slot（跨域，信息共享）
5. 数据合成
6. 奖惩机制
7. 多样性（融合非对话，信息性对话，常识知识，开放领域知识）
8. 多领域对话
9. 角色（对话角色感知）
10. 基于检索
11. 对话评估（对话相应评估者）

16年-20年 四年ACL关于 对话类 研究点小结

1. 取交集：面向任务的对话居多，对话状态跟踪的居多。
2. 随着时间的推移，由关注对话内容上下文本身，过渡到引入入新的框架，对数据做增强，加入情感和知识，刻画对话角色等
3. 有不少的对话的评测工作
4. 数据融合，对话理解，对话管理，对话生成，对话评测，其他。大致呈现正太分布。

我的进一步思考

四年下来，围绕任务型和对话跟踪大家开展了很多工作，20年已经发散开了很多小的研究分支。

我的想法就是一个主分支+多个小的分支：以任务式对话为主分支，以情感驱动、数据融合为小的分支组合，所以有了 融合 特定领域知识 与 情感驱动 的 任务型 对话 这个任务方向的初步想法。

行业发展-当前可落地的工作

个人日常助理

微软：小冰；小米：小爱；apple：siri；百度：小度等

技术服务平台，多模态

竹间智能科技

多领域

我的进一步思考

将任务式对话，落地再在我较为熟悉的教育领域：比如 单词的记忆。落地场景是有这方面的需求的，智慧（辅助）教育。

总结

当下聊天机器人存在的问题与痛点概览

1. 情感驱动的较少：在特定领域，落地对话“任务式问答”系统较多，融合意见、情感的较少，把情感作为驱动因素的更少；
2. 影响因素太多： 对话本身是一个多模态的感知输入、输出过程，仅通过文本分析本身就有较大的局限性；
3. 多对一与主动交互模式较少：现有对话系统，多为用户发问，机器回答的模式，少有主动交互的对话系统；多为 一对一 对话模式，少有 多对一 或 多对多 对话模式；
4. 对话内容检索空间有待扩充：多领域、跨领域知识的加入，一定程度上，数据（信息、知识）的链接的稠密度决定着对话的联想能力；
5. 逆向运用较少：反向判断对方是否为机器人的研究和应用较少，不去提取人类对话的特征，逆训练去提取机器人的对话特征。（原命题⇔逆否命题）

微信公众号：nlp-mfqin
分享、交流自己学习的滴滴答答。

 

 

 知乎：

专栏：嗨 自然语言处理

 https://www.zhihu.com/column/c_1300468079248089088

 

掘金：
https://juejin.im/user/2717648474615053