論文の概要: A Survey of Document Grounded Dialogue Systems (DGDS)

• arxiv url: http://arxiv.org/abs/2004.13818v1
• Date: Fri, 17 Apr 2020 03:22:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-12-12 10:08:15.061584
• Title: A Survey of Document Grounded Dialogue Systems (DGDS)
• Title（参考訳）: 文書接地対話システム(DGDS)に関する調査
• Authors: Longxuan Ma and Wei-Nan Zhang and Mingda Li and Ting Liu
• Abstract要約: 背景知識に基づいて対話システム(DS)を分類する。 文書基盤対話システム(DGDS)を,対話が与えられた文書に集中しているDSとして定義する。 DGDSの研究は幅広い応用可能性を持っているだけでなく、AIが人間の知識や自然言語をよりよく理解できるようにする。
• 参考スコア（独自算出の注目度）: 29.17161275640516
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dialogue system (DS) attracts great attention from industry and academia because of its wide application prospects. Researchers usually divide the DS according to the function. However, many conversations require the DS to switch between different functions. For example, movie discussion can change from chit-chat to QA, the conversational recommendation can transform from chit-chat to recommendation, etc. Therefore, classification according to functions may not be enough to help us appreciate the current development trend. We classify the DS based on background knowledge. Specifically, study the latest DS based on the unstructured document(s). We define Document Grounded Dialogue System (DGDS) as the DS that the dialogues are centering on the given document(s). The DGDS can be used in scenarios such as talking over merchandise against product Manual, commenting on news reports, etc. We believe that extracting unstructured document(s) information is the future trend of the DS because a great amount of human knowledge lies in these document(s). The research of the DGDS not only possesses a broad application prospect but also facilitates AI to better understand human knowledge and natural language. We analyze the classification, architecture, datasets, models, and future development trends of the DGDS, hoping to help researchers in this field.
• Abstract（参考訳）: 対話システム(DS)はその幅広い応用可能性から,産業や学界から大きな注目を集めている。 研究者は通常、機能に応じてDSを分割する。 しかし、多くの会話はdsを異なる機能に切り替える必要がある。 例えば、映画の議論はチットチャットからQAに変更できるし、会話の推薦はチットチャットからレコメンデーションに変換できる。 したがって、機能による分類は、現在の開発傾向を理解するのに十分なものではないかもしれない。 我々は背景知識に基づいてDSを分類する。 具体的には、非構造化文書に基づいて最新のDSを研究する。 本研究は,文書基盤対話システム(DGDS)を,対話が与えられた文書に集中しているDSとして定義する。 DGDSは、製品マニュアルに対する商品の会話、ニュースレポートへのコメントなどのシナリオで使用することができる。 我々は,非構造化文書(s)情報の抽出がdsの将来の動向であると信じている。 DGDSの研究は幅広い応用可能性を持っているだけでなく、AIが人間の知識や自然言語をよりよく理解できるようにする。 我々は,dgdの分類,アーキテクチャ,データセット,モデル,今後の開発動向を分析し,この分野の研究者の支援を期待する。

関連論文リスト

• MonoTODia: Translating Monologue Requests to Task-Oriented Dialogues [0.27309692684728604]
  本研究では,既存のドイツのモノローグ資料から注釈付き対話を抽出するための新しいアプローチについて検討する。 我々は、電子メールを対話として書き直し、注釈付けするタスクのために、最先端の大規模言語モデルを微調整する。 評価の結果,対話やアノテーションは高品質であり,TODシステムの学習の出発点となる可能性が示唆された。
  論文  参考訳（メタデータ） (2025-02-24T15:51:42Z)
• InstructTODS: Large Language Models for End-to-End Task-Oriented Dialogue Systems [60.53276524369498]
  大規模言語モデル(LLM)は自然言語処理(NLP)における多様なタスクに使用されている。 InstructTODSは、ゼロショットのタスク指向対話システムのための新しいフレームワークである。 InstructTODSは、ユーザの意図を動的クエリにシームレスに翻訳するプロキシの信念状態を生成する。
  論文  参考訳（メタデータ） (2023-10-13T06:36:26Z)
• "What do others think?": Task-Oriented Conversational Modeling with Subjective Knowledge [69.46702968979885]
  タスク指向対話(TOD)システムは、ユーザが特定の目標を達成するのを支援する対話システムを構築することを目的としている。 従来のTODは、応答を生成するために、ドメイン固有のAPI/DBや外部の事実知識に依存しています。 主観的知識に基づくTOD(SK-TOD)の新しい課題を提案する。
  論文  参考訳（メタデータ） (2023-05-20T04:43:26Z)
• Mind the Knowledge Gap: A Survey of Knowledge-enhanced Dialogue Systems [20.6788155478186]
  本研究は,知識強化対話システムに関する第1回調査である。 本研究では,知識を用いたDSの強化,使用済みデータセット,知識検索,知識エンコーディング,知識導入のための手法について調査する。 本稿では,言語学と認知科学の理論に基づく既存システムの改善手法を提案する。
  論文  参考訳（メタデータ） (2022-12-19T05:17:33Z)
• "My nose is running.""Are you also coughing?": Building A Medical Diagnosis Agent with Interpretable Inquiry Logics [80.55587329326046]
  本稿では,DSMDの対話マネージャを実装するための,より解釈可能な意思決定プロセスを提案する。 推論を行うために、非常に透明なコンポーネントを持つモデルを考案する。 実験の結果,診断精度は7.7%,10.0%,3.0%向上した。
  論文  参考訳（メタデータ） (2022-04-29T09:02:23Z)
• Cross-Lingual Dialogue Dataset Creation via Outline-Based Generation [70.81596088969378]
  言語間アウトラインに基づく対話データセット(COD)は、自然言語の理解を可能にする。 CODは、4つの異なる言語で対話状態の追跡とエンドツーエンドの対話モデリングと評価を可能にする。
  論文  参考訳（メタデータ） (2022-01-31T18:11:21Z)
• Novel Slot Detection: A Benchmark for Discovering Unknown Slot Types in the Task-Oriented Dialogue System [17.45841883192018]
  タスク指向対話システムにおいて,新しいタスクであるノベルスロット検出(NSD)を導入する。 NSDは、ドメイン内のトレーニングデータに基づいて対話システムの能力を強化するために、未知または外部のスロットタイプを発見することを目的としている。 我々は2つのパブリックなNSDデータセットを構築し、いくつかの強力なNSDベースラインを提案し、将来の作業のためのベンチマークを確立する。
  論文  参考訳（メタデータ） (2021-05-29T14:46:38Z)
• HyKnow: End-to-End Task-Oriented Dialog Modeling with Hybrid Knowledge Management [58.82499963373537]
  ハイブリッドナレッジ管理のTODシステム「HyKnow」を提案します。 構造的知識と非構造的知識の両方を管理するための信念状態を拡張する。 この2つの知識に基づくモデリングを共同で最適化した最初のエンドツーエンドモデルである。
  論文  参考訳（メタデータ） (2021-05-13T01:58:39Z)
• Open-domain Topic Identification of Out-of-domain Utterances using Wikipedia [0.0]
  ウィキペディアの外部知識表現を用いたドメイン外発話のトピックを推定し、マルチドメインSDSの最先端を拡張。 我々のアプローチは、ベースモデルと比較してドメイン予測性能を低下させません。 共同トレーニングは、ベンチマークと比較すると、最も近いウィキペディア記事のより正確な予測を最大30%向上させる。
  論文  参考訳（メタデータ） (2021-01-26T23:46:52Z)
• Conversations with Search Engines: SERP-based Conversational Response Generation [77.1381159789032]
  我々は、検索エンジンと対話するためのパイプラインを開発するために、適切なデータセット、検索・アズ・ア・会話(SaaC)データセットを作成します。 また、このデータセットを用いて、検索エンジンと対話するための最先端パイプライン(Conversations with Search Engines (CaSE))も開発しています。 CaSEは、サポートされたトークン識別モジュールとプリア・アウェア・ポインタージェネレータを導入することで最先端を向上する。
  論文  参考訳（メタデータ） (2020-04-29T13:07:53Z)

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。