論文の概要: Posterior-GAN: Towards Informative and Coherent Response Generation with Posterior Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2003.02020v1
• Date: Wed, 4 Mar 2020 11:57:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 13:09:30.669573
• Title: Posterior-GAN: Towards Informative and Coherent Response Generation with Posterior Generative Adversarial Network
• Title（参考訳）: Posterior-GAN: Posterior Generative Adversarial Networkによるインフォーマティブおよびコヒーレント応答生成に向けて
• Authors: Shaoxiong Feng, Hongshen Chen, Kan Li, Dawei Yin
• Abstract要約: 我々は,新しいエンコーダデコーダに基づく生成逆学習フレームワーク,Posterior Generative Adversarial Network (Posterior-GAN)を提案する。 実験結果から,本手法は自動評価と人的評価の両方において,生成した応答の情報性とコヒーレンスを効果的に向上させることが示された。
• 参考スコア（独自算出の注目度）: 38.576579498740244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural conversational models learn to generate responses by taking into account the dialog history. These models are typically optimized over the query-response pairs with a maximum likelihood estimation objective. However, the query-response tuples are naturally loosely coupled, and there exist multiple responses that can respond to a given query, which leads the conversational model learning burdensome. Besides, the general dull response problem is even worsened when the model is confronted with meaningless response training instances. Intuitively, a high-quality response not only responds to the given query but also links up to the future conversations, in this paper, we leverage the query-response-future turn triples to induce the generated responses that consider both the given context and the future conversations. To facilitate the modeling of these triples, we further propose a novel encoder-decoder based generative adversarial learning framework, Posterior Generative Adversarial Network (Posterior-GAN), which consists of a forward and a backward generative discriminator to cooperatively encourage the generated response to be informative and coherent by two complementary assessment perspectives. Experimental results demonstrate that our method effectively boosts the informativeness and coherence of the generated response on both automatic and human evaluation, which verifies the advantages of considering two assessment perspectives.
• Abstract（参考訳）: ニューラルな会話モデルは、対話履歴を考慮して応答を生成することを学ぶ。 これらのモデルは通常、最大確率推定目標を持つクエリ-レスポンスペアに最適化される。 しかし、クエリ応答タプルは自然に疎結合であり、与えられたクエリに応答できる複数の応答が存在するため、会話モデル学習の負担が伴う。 さらに、モデルが無意味な応答トレーニングインスタンスに直面すると、一般的な鈍い応答問題はさらに悪化する。 直感的には、高品質な応答は、与えられたクエリに応答するだけでなく、将来の会話にもつながります。この記事では、クエリ-レスポンス-将来のターントリプルを利用して、与えられたコンテキストと将来の会話の両方を考慮する生成された応答を誘導します。 さらに,2つの相補的評価の観点から,生成した応答を情報的かつ整合的に促進するために,前向きと後向きの生成的識別器で構成される,新しいエンコーダ・デコーダに基づく生成的逆数学習フレームワークであるPosterior Generative Adversarial Network (Posterior-GAN)を提案する。 実験結果から,提案手法は自動評価と人的評価の両方において,生成した応答のインフォメーションとコヒーレンスを効果的に向上させることを示した。

関連論文リスト

• Multi-party Response Generation with Relation Disentanglement [8.478506896774137]
  既存のニューラルレスポンス生成モデルは、双方向の会話で大幅に改善されている。 しかし、現実世界の対話の多くは複数の対話者を含み、会話の文脈の構造はより複雑である。 本研究では,人間ラベルを使わずに,会話の文脈内での微妙な手がかりに基づいて関係性を推論する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-16T06:33:44Z)
• PICK: Polished & Informed Candidate Scoring for Knowledge-Grounded Dialogue Systems [59.1250765143521]
  現在の知識接地対話システムは、生成された応答を人間に好まれる品質に合わせるのに失敗することが多い。 我々は,世代別再描画フレームワークであるPolseed & Informed Candidate Scoring (PICK)を提案する。 対話履歴に関連性を維持しつつ,より忠実な応答を生成するためのPICKの有効性を示す。
  論文  参考訳（メタデータ） (2023-09-19T08:27:09Z)
• Promoting Open-domain Dialogue Generation through Learning Pattern Information between Contexts and Responses [5.936682548344234]
  本稿では,学習サンプルの文脈と応答の間の暗黙的なパターン情報を学ぶことにより,生成した応答の品質を向上させる。 また、文脈と応答間の暗黙的パターン情報をマイニングする応答認識機構を設計し、生成した応答をより多様でヒトの応答に近似するようにした。
  論文  参考訳（メタデータ） (2023-09-06T08:11:39Z)
• Reranking Overgenerated Responses for End-to-End Task-Oriented Dialogue Systems [71.33737787564966]
  エンド・ツー・エンド(E2E)タスク指向対話システム(ToD)は、いわゆる「いいね! 本稿では,システムによって当初過剰に生成された応答リストから高品質な項目を選択する方法を提案する。 本研究では,最先端のE2E ToDシステムを2.4BLEU,3.2ROUGE,2.8 METEORで改善し,新たなピーク値を得た。
  論文  参考訳（メタデータ） (2022-11-07T15:59:49Z)
• Improving Response Quality with Backward Reasoning in Open-domain Dialogue Systems [53.160025961101354]
  本稿では,バニラエンコーダデコーダトレーニングに後方推論ステップを追加することで,生成モデルを双方向にトレーニングすることを提案する。 提案する後方推論ステップは、モデルがより有益で一貫性のあるコンテンツを生成するように促す。 副次的な情報を導入することなく応答品質を向上させることができる。
  論文  参考訳（メタデータ） (2021-04-30T20:38:27Z)
• Learning an Effective Context-Response Matching Model with Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
  我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。 我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。 実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-09-14T08:44:46Z)
• EnsembleGAN: Adversarial Learning for Retrieval-Generation Ensemble Model on Short-Text Conversation [37.80290058812499]
  アンサンブルGANは、オープンドメイン会話シナリオにおいて、検索世代アンサンブルモデルを強化するための逆学習フレームワークである。 言語モデルのようなジェネレータ、ランカジェネレータ、ランカディミネーターで構成されている。
  論文  参考訳（メタデータ） (2020-04-30T05:59:12Z)
• Counterfactual Off-Policy Training for Neural Response Generation [94.76649147381232]
  本稿では,反実的推論による潜在的応答の探索を提案する。 対人学習の枠組みの下での対物反応の訓練は、潜在的応答空間の高逆領域を探索するのに役立つ。 DailyDialogデータセットに関する実証的研究は、我々のアプローチがHREDモデルを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2020-04-29T22:46:28Z)

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。