論文の概要: ScopeIt: Scoping Task Relevant Sentences in Documents

• arxiv url: http://arxiv.org/abs/2003.04988v2
• Date: Sun, 15 Nov 2020 09:44:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 09:02:23.562398
• Title: ScopeIt: Scoping Task Relevant Sentences in Documents
• Title（参考訳）: ScopeIt: ドキュメントにおけるタスク関連文のスコーピング
• Authors: Vishwas Suryanarayanan, Barun Patra, Pamela Bhattacharya, Chala Fufa, Charles Lee
• Abstract要約: 大規模クエリからエージェントの関連情報をスコーピングするニューラルネットワークを提案する。 事前処理のステップとして使用すると、意図検出とエンティティ抽出の両方のタスクの性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 2.047424180164312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intelligent assistants like Cortana, Siri, Alexa, and Google Assistant are trained to parse information when the conversation is synchronous and short; however, for email-based conversational agents, the communication is asynchronous, and often contains information irrelevant to the assistant. This makes it harder for the system to accurately detect intents, extract entities relevant to those intents and thereby perform the desired action. We present a neural model for scoping relevant information for the agent from a large query. We show that when used as a preprocessing step, the model improves performance of both intent detection and entity extraction tasks. We demonstrate the model's impact on Scheduler (Cortana is the persona of the agent, while Scheduler is the name of the service. We use them interchangeably in the context of this paper.) - a virtual conversational meeting scheduling assistant that interacts asynchronously with users through email. The model helps the entity extraction and intent detection tasks requisite by Scheduler achieve an average gain of 35% in precision without any drop in recall. Additionally, we demonstrate that the same approach can be used for component level analysis in large documents, such as signature block identification.
• Abstract（参考訳）: Cortana、Siri、Alexa、Google Assistantといったインテリジェントなアシスタントは、会話が同期的で短いときに情報を解析するように訓練されているが、電子メールベースの会話エージェントでは、コミュニケーションは非同期であり、アシスタントとは無関係な情報を含んでいることが多い。 これによりシステムは、インテントを正確に検出し、そのインテントに関連するエンティティを抽出し、望ましいアクションを実行することが難しくなる。 本稿では,エージェントの関連情報を大きなクエリから抽出するニューラルモデルを提案する。 事前処理のステップとして使用すると、意図検出とエンティティ抽出の両方の性能が向上することを示す。 モデルがスケジューラに与える影響を実証する(cortanaはエージェントのペルソナであり、スケジューラはサービスの名前です。この論文の文脈で相互に使用します。) - メールを介してユーザと非同期にやり取りする仮想会話型ミーティングスケジューリングアシスタントです。 このモデルはスケジューラが要求するエンティティ抽出およびインテント検出タスクを、リコールをすることなく、平均35%の精度で達成するのに役立つ。 さらに,署名ブロックの識別など,大規模文書のコンポーネントレベル解析にも同様の手法が適用可能であることを示す。

関連論文リスト

• Text-Based Detection of On-Hold Scripts in Contact Center Calls [0.6138671548064356]
  平均保持時間は、顧客満足度に影響を与えるため、コールセンターにとって懸念事項である。 本研究では,自動音声認識技術により書き起こされたカスタマーサービスコールのオンホールドフレーズを検出する自然言語処理モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-13T11:11:41Z)
• Adapting Task-Oriented Dialogue Models for Email Conversations [4.45709593827781]
  本稿では,対話モデルの最新開発を長文会話に適用できる効果的な伝達学習フレームワーク(EMToD)を提案する。 提案するEMToDフレームワークは,事前学習した言語モデルに対する意図検出性能を45%向上し,タスク指向の電子メール会話において,事前学習した対話モデルに対する意図検出性能を30%向上することを示す。
  論文  参考訳（メタデータ） (2022-08-19T16:41:34Z)
• Generative Conversational Networks [67.13144697969501]
  本稿では,対話エージェントが独自のラベル付き学習データを生成することを学習する,生成会話ネットワーク(Generative Conversational Networks)というフレームワークを提案する。 そこで本研究では,シードデータから学習したベースラインモデルに対して,意図検出が平均35%,スロットタグが平均21%向上したことを示す。
  論文  参考訳（メタデータ） (2021-06-15T23:19:37Z)
• R$^2$-Net: Relation of Relation Learning Network for Sentence Semantic Matching [58.72111690643359]
  文意味マッチングのための関係学習ネットワーク(R2-Net)を提案する。 最初にBERTを使用して、グローバルな視点から入力文をエンコードします。 次に、cnnベースのエンコーダは、ローカルな視点からキーワードやフレーズ情報をキャプチャするように設計されている。 関係情報抽出にラベルを十分に活用するために,関係分類タスクの自己教師付き関係性を導入する。
  論文  参考訳（メタデータ） (2020-12-16T13:11:30Z)
• Learning to Match Jobs with Resumes from Sparse Interaction Data using Multi-View Co-Teaching Network [83.64416937454801]
  ジョブ列のインタラクションデータは疎結合でノイズが多く、ジョブ列のマッチングアルゴリズムのパフォーマンスに影響する。 求人情報マッチングのための疎相互作用データから,新しいマルチビュー協調学習ネットワークを提案する。 我々のモデルは求人マッチングの最先端手法より優れている。
  論文  参考訳（メタデータ） (2020-09-25T03:09:54Z)
• Query Understanding via Intent Description Generation [75.64800976586771]
  問合せ理解のためのQ2ID(Query-to-Intent-Description)タスクを提案する。 クエリとその記述を利用してドキュメントの関連性を計算する既存のランキングタスクとは異なり、Q2IDは自然言語のインテント記述を生成するための逆タスクである。 Q2IDタスクにおける複数の最先端生成モデルとの比較により,本モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2020-08-25T08:56:40Z)
• Learning with Weak Supervision for Email Intent Detection [56.71599262462638]
  本稿では,メールの意図を検出するために,ユーザアクションを弱い監視源として活用することを提案する。 メール意図識別のためのエンドツーエンドの堅牢なディープニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-05-26T23:41:05Z)
• Intent Mining from past conversations for conversational agent [1.9754522186574608]
  ボットは、ラウンド・ザ・タイムのサポートと顧客エンゲージメントを高めるために、ますますデプロイされている。 商用ボット構築フレームワークの多くは、ユーザ入力を認識するためのインテントモデルの構築とトレーニングを必要とする標準的なアプローチに従っている。 我々は、不均衡なデータクラスタリングのための新しい密度ベースクラスタリングアルゴリズムITERDB-LabelSCANを導入した。
  論文  参考訳（メタデータ） (2020-05-22T05:29:13Z)
• 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。