論文の概要: Filtering before Iteratively Referring for Knowledge-Grounded Response
Selection in Retrieval-Based Chatbots
- arxiv url: http://arxiv.org/abs/2004.14550v2
- Date: Mon, 21 Sep 2020 06:50:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 03:56:48.297230
- Title: Filtering before Iteratively Referring for Knowledge-Grounded Response
Selection in Retrieval-Based Chatbots
- Title(参考訳): 検索型チャットボットにおける知識獲得型応答選択のための反復参照前のフィルタリング
- Authors: Jia-Chen Gu, Zhen-Hua Ling, Quan Liu, Zhigang Chen, Xiaodan Zhu
- Abstract要約: 本稿では,FIRE(Iteratively Referring)の前にフィルタリングという手法を提案する。
FIREはPERSONA-CHATデータセットにおいて,2.8%,4.1%以上のマージンで従来の手法よりも優れていた。
また、知識基盤プロセスの可視化により、FIREはより解釈可能であることを示す。
- 参考スコア(独自算出の注目度): 56.52403181244952
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The challenges of building knowledge-grounded retrieval-based chatbots lie in
how to ground a conversation on its background knowledge and how to match
response candidates with both context and knowledge simultaneously. This paper
proposes a method named Filtering before Iteratively REferring (FIRE) for this
task. In this method, a context filter and a knowledge filter are first built,
which derive knowledge-aware context representations and context-aware
knowledge representations respectively by global and bidirectional attention.
Besides, the entries irrelevant to the conversation are discarded by the
knowledge filter. After that, iteratively referring is performed between
context and response representations as well as between knowledge and response
representations, in order to collect deep matching features for scoring
response candidates. Experimental results show that FIRE outperforms previous
methods by margins larger than 2.8% and 4.1% on the PERSONA-CHAT dataset with
original and revised personas respectively, and margins larger than 3.1% on the
CMU_DoG dataset in terms of top-1 accuracy. We also show that FIRE is more
interpretable by visualizing the knowledge grounding process.
- Abstract(参考訳): 知識に基づく検索ベースのチャットボットを構築する際の課題は、その背景知識と、応答候補とコンテキストと知識を同時にマッチングする方法にある。
本稿では,FIRE(Iteratively Referring)の前にフィルタリングという手法を提案する。
本手法では、まず、グローバルおよび双方向の注意によってそれぞれ知識認識コンテキスト表現と文脈認識ナレッジ表現を導出するコンテキストフィルタと知識フィルタを構築した。
また、会話に無関係なエントリは知識フィルタによって破棄される。
その後、応答候補のスコア付けのための深いマッチング特徴を収集するために、文脈表現と応答表現と知識表現と応答表現とを反復的に参照する。
実験の結果、FIREはPERSONA-CHATデータセットでそれぞれ2.8%以上のマージンと4.1%のマージン、CMU_DoGデータセットでは3.1%以上のマージンをトップ1の精度で上回っていることがわかった。
また、知識基盤プロセスの可視化により、FIREはより解釈可能であることを示す。
関連論文リスト
- Towards Reliable and Factual Response Generation: Detecting Unanswerable
Questions in Information-Seeking Conversations [16.99952884041096]
生成的AIモデルは、そのようなシステムに対するユーザの信頼を損なう可能性のある幻覚の課題に直面します。
本稿では,まずコーパス内の関連するパスを識別し,最後にシステム応答にまとめる2段階のプロセスとして,会話情報探索の問題にアプローチする。
具体的には,文レベル分類器を用いて解答の有無を判定し,これらの予測を文レベルに集約し,最後に最終解答可能性推定値に到達する。
論文 参考訳(メタデータ) (2024-01-21T10:15:36Z) - Learning to Filter Context for Retrieval-Augmented Generation [75.18946584853316]
生成モデルは、部分的にまたは完全に無関係な経路が与えられた出力を生成するために要求される。
FILCOは、語彙と情報理論のアプローチに基づいて有用なコンテキストを特定する。
テスト時に検索したコンテキストをフィルタリングできるコンテキストフィルタリングモデルをトレーニングする。
論文 参考訳(メタデータ) (2023-11-14T18:41:54Z) - FCC: Fusing Conversation History and Candidate Provenance for Contextual
Response Ranking in Dialogue Systems [53.89014188309486]
複数のチャネルからコンテキスト情報を統合できるフレキシブルなニューラルネットワークフレームワークを提案する。
会話応答ランキングタスクの評価に広く用いられているMSDialogデータセット上で,本モデルの評価を行った。
論文 参考訳(メタデータ) (2023-03-31T23:58:28Z) - Task Oriented Conversational Modelling With Subjective Knowledge [0.0]
DSTC-11は、ターン検出、知識選択、応答生成を求める知識からなる3段階パイプラインを提案する。
本稿では,正確で高速な知識検索を実現するエンティティ検索手法を提案する。
予備的な結果から,知識選択作業における一致点の精度は4%向上した。
論文 参考訳(メタデータ) (2023-03-30T20:23:49Z) - RHO ($\rho$): Reducing Hallucination in Open-domain Dialogues with
Knowledge Grounding [57.46495388734495]
本稿では、知識グラフ(KG)からリンクされたエンティティと関係述語を表現したRHO(rho$)を提案する。
本稿では,(1)テキスト埋め込みと対応するKG埋め込みを組み合わせるための局所知識基盤,(2)注目機構を介してRHOにマルチホップ推論能力を持たせるためのグローバル知識基盤を提案する。
論文 参考訳(メタデータ) (2022-12-03T10:36:34Z) - Multi-Stage Conversational Passage Retrieval: An Approach to Fusing Term
Importance Estimation and Neural Query Rewriting [56.268862325167575]
マルチステージアドホックIRシステムにクエリ再構成を組み込んだ会話経路検索(ConvPR)に取り組む。
本稿では,1項の重要度推定と2項のニューラルクエリ書き換えという2つの手法を提案する。
前者に対しては、周波数に基づく信号を用いて会話コンテキストから抽出した重要な用語を用いて会話クエリを拡張する。
後者では,会話クエリを,事前訓練されたシーケンス列列列モデルを用いて,自然な,スタンドアロンの,人間の理解可能なクエリに再構成する。
論文 参考訳(メタデータ) (2020-05-05T14:30:20Z) - Knowledgeable Dialogue Reading Comprehension on Key Turns [84.1784903043884]
MRC(Multi-choice Machine reading comprehension)は、ある項目と質問に対する候補オプションから正しい回答を選択するモデルである。
本研究は,複数回対話を行う対話型MRCに焦点を当てている。
それは2つの課題に悩まされ、答えの選択決定は、最近役に立つコモンセンスをサポートせずに行われ、マルチターンコンテキストは、かなりの無関係な情報を隠蔽する可能性がある。
論文 参考訳(メタデータ) (2020-04-29T07:04:43Z)
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。