16-20 ACL 人機對話方向論文梳理
阿新 • • 發佈：2020-10-17
16-20 ACL Dialogue Primary Research
科研趨勢-論文梳理
對話類方向趨勢
2016-2020年ACL對話類文章篇數*（不完全統計，篇名包含dialogue）*：
Conclusion：The research on human-machine dialogue is becoming much more hot
2016
2016年大家的切入角度與研究點粗略歸納：
- 對話者之間的關係融合
- 序列模型+神經網路
- 對話主題跟蹤
- 獎賞的對話策略
2017
2017年大家的切入角度與切入點粗略歸納：
- 卷積與注意力神經網路識別與分類
- 資料，資訊,知識驅動
- 狀態跟蹤
- 任務式
- 內容與話語關係融合
2018
2018年大家的切入角度與切入點粗略歸納：
- 對話狀態跟蹤（端到端）
- 知識擴散（神經網路生成）
- 任務式對話策略規劃
- 識別對話中情感，注意力分層網路
- 任務式對話（整合，序列到序列）
2019
2019年大家的切入角度與切入點粗略歸納：
- 開放領域對話
- 任務導向（NLG，預估/預算）
- 用情感生成對話響應
- 對話推理
- 自監督對話
- 屬性感知演化對話策略/系統
- 依據對話歷史預測
- 特定範圍：中文領域的對話狀態跟蹤
- 對抗學習框架
- 長距離slot-value
2020
2020年大家的切入角度與切入點粗略歸納：
- 預訓練
- 任務式（標籤增強，自適應）
- 對話狀態跟綜與推理
- slot（跨域，資訊共享）
- 資料合成
- 獎懲機制
- 多樣性（融合非對話，資訊性對話，常識知識，開放領域知識）
- 多領域對話
- 角色（對話角色感知）
- 基於檢索
- 對話評估（對話相應評估者）
16年-20年 四年ACL關於 對話類 研究點小結
- 取交集：面向任務的對話居多，對話狀態跟蹤的居多。
- 隨著時間的推移，由關注對話內容上下文字身，過渡到引入入新的框架，對資料做增強，加入情感和知識，刻畫對話角色等
- 有不少的對話的評測工作
- 資料融合，對話理解，對話管理，對話生成，對話評測，其他。大致呈現正太分佈。
我的進一步思考
四年下來，圍繞任務型和對話跟蹤大家開展了很多工作，20年已經發散開了很多小的研究分支。
我的想法就是一個主分支+多個小的分支：以任務式對話為主分支，以情感驅動、資料融合為小的分支組合，所以有了 融合 特定領域知識 與 情感驅動 的 任務型 對話 這個任務方向的初步想法
行業發展-當前可落地的工作
個人日常助理
微軟：小冰；小米：小愛；apple：siri；百度：小度等
技術服務平臺，多模態
竹間智慧科技
多領域
我的進一步思考
將任務式對話，落地再在我較為熟悉的教育領域：比如 單詞的記憶。落地場景是有這方面的需求的，智慧（輔助）教育。
總結
當下聊天機器人存在的問題與痛點概覽
- 情感驅動的較少：在特定領域，落地對話“任務式問答”系統較多，融合意見、情感的較少，把情感作為驅動因素的更少；
- 影響因素太多： 對話本身是一個多模態的感知輸入、輸出過程，僅通過文字分析本身就有較大的侷限性；
- 多對一與主動互動模式較少：現有對話系統，多為使用者發問，機器回答的模式，少有主動互動的對話系統；多為 一對一 對話模式，少有 多對一 或 多對多 對話模式；
- 對話內容檢索空間有待擴充：多領域、跨領域知識的加入，一定程度上，資料（資訊、知識）的連結的稠密度決定著對話的聯想能力；
- 逆向運用較少：反向判斷對方是否為機器人的研究和應用較少，不去提取人類對話的特徵，逆訓練去提取機器人的對話特徵。（原命題⇔逆否命題）
