MARC

 008260126s2025        us                              c    eng  d
■001000017360459
■00520260202105529
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263340841
■035    ▼a(MiAaPQ)AAI32309812
■035    ▼a(MiAaPQ)GeorgiaTech77838
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a150
■1001  ▼aSu,  Ruolin.
■24510▼aTowards  Intelligent  Conversational  Assistants:  Enhancing  Task-Oriented  Dialogue  Systems  with  Knowledge  Integration
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a147  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Juang,  Biing-Hwang.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aThis  thesis  explores  the  integration  of  knowledge  into  Task-Oriented  Dialogue  (TOD)  systems  within  Intelligent  Assistants  (IA),  enhancing  their  ability  to  understand  user  intent  and  execute  structured  tasks.  While  dialogue  systems  have  evolved  significantly  with  advancements  in  Natural  Language  Processing  (NLP)  and  Large  Language  Models  (LLMs),  TOD  systems  still  face  challenges  in  knowledge  integration,  scalability,  and  generalization.  This  work  proposes  methodologies  for  incorporating  domain-specific,  dialogue-level,  and  cross-lingual  knowledge  into  TOD  systems  to  improve  their  adaptability  and  effectiveness  across  diverse  applications.The  study  identifies  key  challenges  in  knowledge  integration,  emphasizing  the  need  for  specialized  domain  knowledge  to  improve  Dialogue  State  Tracking  (DST)  and  response  generation.  To  address  these  challenges,  this  thesis  introduces  innovative  methods  such  as  structured  slot-value  transfer  and  schema-guided  knowledge  graphs,  enhancing  both  accuracy  and  scalability  in  dialogue  management.  Specifically,  we  propose  choice-fusion  DST  and  schema  graph-guided  prompts  for  enhance  state  tracking  and  facilitate  domain  adaptation.  Furthermore,  it  explores  the  integration  of  dialogue-level  knowledge  to  improve  context  awareness,  such  as  incorporating  dialogue  acts  into  slot-value  prediction  for  enhanced  comprehension  and  employing  a  soft  mixture-of-experts  approach  to  develop  more  efficient  and  scalable  TOD  systems.Additionally,  the  thesis  presents  a  cross-lingual  knowledge  transfer  mechanism  to  improve  commonsense  reasoning  in  low-resource  languages,  enhancing  the  multilingual  adaptability  of  TOD  systems.  These  contributions  collectively  advance  the  design  of  intelligent  conversational  agents  by  enabling  systematic  knowledge  integration  and  improving  the  efficiency  of  dialogue  systems  in  real-world  applications.  Overall,  this  research  establishes  a  comprehensive  framework  for  knowledge-enhanced  TOD  systems,  addressing  critical  limitations  in  current  approaches.  By  integrating  structured  knowledge  across  different  levels,  it  enhances  system  performance  in  user  intent  recognition,  dialogue  state  tracking,  and  response  generation.  The  findings  contribute  to  the  broader  field  of  conversational  AI,  providing  scalable  and  adaptable  solutions  for  intelligent  assistants  in  diverse  domains  and  multilingual  settings.  They  hold  great  promise  for  refining  knowledge  integration  techniques,  expanding  cross-lingual  capabilities,  and  exploring  further  applications  of  LLMs  in  TOD  systems.In  summary,  this  work  focuses  on  methodologies  for  integrating  domain-specific,  dialogue-level,  and  cross-lingual  knowledge  into  dialogue  systems,  evaluating  its  impact  across  diverse  contexts  to  enhance  the  design  of  more  effective  and  intelligent  conversational  agents.  By  equipping  TOD  systems  with  mechanisms  for  dynamic  knowledge  incorporation,  it  fosters  the  development  of  more  robust,  scalable,  and  adaptable  conversational  agents.  These  advances  contribute  to  improving  user  interaction,  improving  response  accuracy,  and  broadening  the  applicability  of  TOD  systems  across  various  domains  and  languages.
■590    ▼aSchool  code:  0078.
■650  4▼aSuccess
■650  4▼aCommunication
■650  4▼aInteractive  computer  systems
■650  4▼aAdaptation
■650  4▼aDesign
■650  4▼aMultilingualism
■650  4▼aNatural  language  processing
■650  4▼aLarge  language  models
■650  4▼aKnowledge  representation
■650  4▼aBilingual  education
■690    ▼a0389
■690    ▼a0459
■690    ▼a0800
■690    ▼a0282
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360459▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서