論文の概要: Building chatbots from large scale domain-specific knowledge bases:
challenges and opportunities
- arxiv url: http://arxiv.org/abs/2001.00100v1
- Date: Tue, 31 Dec 2019 22:40:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 20:52:28.457052
- Title: Building chatbots from large scale domain-specific knowledge bases:
challenges and opportunities
- Title（参考訳）: 大規模ドメイン固有の知識ベースからチャットボットを構築する:課題と機会
- Authors: Walid Shalaby, Adriano Arantes, Teresa GonzalezDiaz, Chetan Gupta
- Abstract要約: 本稿では,機器関連苦情の理解と対応を目的とした大規模仮想アシスタントの構築から学んだ課題と教訓について述べる。
提案するフレームワークは,市販の一般的なフレームワークと比較して,最大30%の精度で大規模にスケール可能であることを示す。
- 参考スコア（独自算出の注目度）: 4.129225533930966
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Popular conversational agents frameworks such as Alexa Skills Kit (ASK) and
Google Actions (gActions) offer unprecedented opportunities for facilitating
the development and deployment of voice-enabled AI solutions in various
verticals. Nevertheless, understanding user utterances with high accuracy
remains a challenging task with these frameworks. Particularly, when building
chatbots with large volume of domain-specific entities. In this paper, we
describe the challenges and lessons learned from building a large scale virtual
assistant for understanding and responding to equipment-related complaints. In
the process, we describe an alternative scalable framework for: 1) extracting
the knowledge about equipment components and their associated problem entities
from short texts, and 2) learning to identify such entities in user utterances.
We show through evaluation on a real dataset that the proposed framework,
compared to off-the-shelf popular ones, scales better with large volume of
entities being up to 30% more accurate, and is more effective in understanding
user utterances with domain-specific entities.
- Abstract（参考訳）: Alexa Skills Kit(ASK)やGoogle Actions(gActions)といった一般的な会話エージェントフレームワークは、さまざまな分野における音声対応AIソリューションの開発と展開を促進する前例のない機会を提供する。
それでも、高い精度でユーザの発話を理解することは、これらのフレームワークでは難しい課題である。
特に、多数のドメイン固有エンティティを持つチャットボットを構築する場合。
本稿では,機器関連苦情の理解と対応を目的とした大規模仮想アシスタントの構築から得られた課題と教訓について述べる。
このプロセスでは、次の別のスケーラブルなフレームワークを説明します。
1)短文から機器部品とその関連問題実体に関する知識を抽出すること、及び
2)そのようなエンティティをユーザ発話で識別する学習。
提案するフレームワークは,既成の一般的なものと比較して,実際のデータセットで評価することで,最大30%の精度で大量のエンティティをスケールし,ドメイン固有のエンティティによるユーザ発話の理解に有効であることを示す。
関連論文リスト
- Embodied-RAG: General Non-parametric Embodied Memory for Retrieval and Generation [65.23793829741014]
Embodied-RAGは、非パラメトリックメモリシステムによるエンボディエージェントのモデルを強化するフレームワークである。
コアとなるEmbodied-RAGのメモリはセマンティックフォレストとして構成され、言語記述を様々なレベルで詳細に保存する。
Embodied-RAGがRAGをロボット領域に効果的にブリッジし、200以上の説明とナビゲーションクエリをうまく処理できることを実証する。
論文 参考訳（メタデータ） (2024-09-26T21:44:11Z) - OntoChat: a Framework for Conversational Ontology Engineering using Language Models [0.3141085922386211]
textbfOntoChatは、要求の誘導、分析、テストをサポートする会話エンジニアリングのためのフレームワークである。
音楽メタオントロジーのエンジニアリングを再現し,ユーザから各コンポーネントの有効性に関する予備的な指標を収集することにより,OntoChatを評価する。
論文 参考訳（メタデータ） (2024-03-09T14:04:06Z) - VisualWebArena: Evaluating Multimodal Agents on Realistic Visual Web Tasks [93.85005277463802]
VisualWebArenaは、マルチモーダルWebエージェントのパフォーマンスを現実的なタスクで評価するために設計されたベンチマークである。
このベンチマークを実行するには、イメージテキスト入力を正確に処理し、自然言語命令を解釈し、ユーザが定義した目的を達成するためにウェブサイト上でアクションを実行する必要がある。
論文 参考訳（メタデータ） (2024-01-24T18:35:21Z) - Beyond the Imitation Game: Quantifying and extrapolating the
capabilities of language models [648.3665819567409]
言語モデルは、規模が大きくなるにつれて量的改善と新しい質的能力の両方を示す。
ビッグベンチは204のタスクで構成され、132の機関で450人の著者が貢献している。
我々は,OpenAIのGPTモデル,Google内部の高密度トランスアーキテクチャ,BIGベンチ上のスイッチ型スパーストランスの挙動を評価する。
論文 参考訳（メタデータ） (2022-06-09T17:05:34Z) - Towards Large-Scale Interpretable Knowledge Graph Reasoning for Dialogue
Systems [109.16553492049441]
よりスケーラブルで一般化可能な対話システムに知識推論機能を組み込む新しい手法を提案する。
我々の知識を最大限に活用するために、変圧器モデルが微分可能な知識グラフを解析して応答を生成するのは、これが初めてである。
論文 参考訳（メタデータ） (2022-03-20T17:51:49Z) - Building a Legal Dialogue System: Development Process, Challenges and
Opportunities [1.433758865948252]
本稿では,ドメイン固有の会話エージェントの設計において直面する課題に対する重要な原則と解決策について述べる。
ユーザクエリに応答し、連絡先の詳細やケース関連情報を含むユーザ情報を記録する機能を提供する。
論文 参考訳（メタデータ） (2021-09-01T13:35:42Z) - Can I Be of Further Assistance? Using Unstructured Knowledge Access to
Improve Task-oriented Conversational Modeling [39.60614611655266]
この研究は、外部の非構造化の知識ソースを組み込むことによって、APIをカバーしていないユーザターンに応答することに焦点を当てている。
最初の2つのステップで新たなデータ拡張手法を導入し、対話コンテキストから抽出した情報を使用することで、知識選択とエンドツーエンドのパフォーマンスが向上することを示す。
論文 参考訳（メタデータ） (2021-06-16T23:31:42Z) - Beyond Domain APIs: Task-oriented Conversational Modeling with
Unstructured Knowledge Access Track in DSTC9 [21.181446816074704]
この課題トラックは、外部の非構造化知識ソースを組み込むことで、タスク指向対話システムの範囲を広げることを目的としている。
知識探索型ターン検出,知識選択,知識接地型応答生成の3つのタスクを定義した。
論文 参考訳（メタデータ） (2021-01-22T18:57:56Z) - Reasoning in Dialog: Improving Response Generation by Context Reading
Comprehension [49.92173751203827]
マルチターンダイアログでは、発話が文の完全な形を取るとは限らない。
読み解きの質問に答えるモデルの能力を検討し、応答生成性能の向上を提案する。
論文 参考訳（メタデータ） (2020-12-14T10:58:01Z) - ConCET: Entity-Aware Topic Classification for Open-Domain Conversational
Agents [9.870634472479571]
ConCET: Concurrent Entity-aware conversational Topic Classifierを紹介する。
本稿では,合成学習データを生成するための簡便で効果的な手法を提案する。
我々はAmazon Alexa Prizeの一部として収集された実際のユーザとの人間と機械の会話の大規模なデータセットでConCETを評価した。
論文 参考訳（メタデータ） (2020-05-28T06:29:08Z) - IART: Intent-aware Response Ranking with Transformers in
Information-seeking Conversation Systems [80.0781718687327]
我々は、情報探索会話におけるユーザ意図パターンを分析し、意図認識型ニューラルレスポンスランキングモデル「IART」を提案する。
IARTは、ユーザ意図モデリングと言語表現学習とTransformerアーキテクチャの統合の上に構築されている。
論文 参考訳（メタデータ） (2020-02-03T05:59:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。