論文の概要: Unsupervised Learning of KB Queries in Task-Oriented Dialogs

• arxiv url: http://arxiv.org/abs/2005.00123v2
• Date: Thu, 3 Jun 2021 04:27:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 02:45:00.926137
• Title: Unsupervised Learning of KB Queries in Task-Oriented Dialogs
• Title（参考訳）: タスク指向ダイアログにおけるKBクエリの教師なし学習
• Authors: Dinesh Raghu, Nikhil Gupta, Mausam
• Abstract要約: タスク指向ダイアログ(TOD)システムは、ユーザ意図に応じた知識ベース(KB)クエリを定式化する必要があることが多い。 既存のアプローチでは、これらのKBクエリに明示的にアノテートするためにダイアログデータセットが必要である。 KBクエリの予測やダイアログエージェントのトレーニングにおいて,明示的なKBクエリアノテーションを使わずに新たな問題を定義する。
• 参考スコア（独自算出の注目度）: 21.611723342957887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task-oriented dialog (TOD) systems often need to formulate knowledge base (KB) queries corresponding to the user intent and use the query results to generate system responses. Existing approaches require dialog datasets to explicitly annotate these KB queries -- these annotations can be time consuming, and expensive. In response, we define the novel problems of predicting the KB query and training the dialog agent, without explicit KB query annotation. For query prediction, we propose a reinforcement learning (RL) baseline, which rewards the generation of those queries whose KB results cover the entities mentioned in subsequent dialog. Further analysis reveals that correlation among query attributes in KB can significantly confuse memory augmented policy optimization (MAPO), an existing state of the art RL agent. To address this, we improve the MAPO baseline with simple but important modifications suited to our task. To train the full TOD system for our setting, we propose a pipelined approach: it independently predicts when to make a KB query (query position predictor), then predicts a KB query at the predicted position (query predictor), and uses the results of predicted query in subsequent dialog (next response predictor). Overall, our work proposes first solutions to our novel problem, and our analysis highlights the research challenges in training TOD systems without query annotation.
• Abstract（参考訳）: タスク指向ダイアログ(TOD)システムは、ユーザ意図に応じた知識ベース(KB)クエリを定式化し、クエリ結果を使用してシステム応答を生成する必要がある。 既存のアプローチでは、これらのkbクエリに明示的に注釈を付けるためにダイアログデータセットが必要です。 そこで我々は,明示的なkbクエリアノテーションを使わずに,kbクエリを予測し,ダイアログエージェントをトレーニングするという新しい問題を定義する。 問合せ予測のために,後続のダイアログで言及されるエンティティをカバーするKB結果のクエリ生成に報いる強化学習(RL)ベースラインを提案する。 さらに分析した結果,KBにおけるクエリ属性間の相関は,既存のRLエージェントの状態であるメモリ拡張ポリシー最適化(MAPO)を著しく混乱させることがわかった。 そこで我々は,MAPOのベースラインをシンプルながら重要な修正を加えて改良する。 提案手法では,KBクエリのタイミング(クエリ位置予測器)を独立に予測し,予測位置(クエリ位置予測器)でKBクエリを予測し,その後のダイアログ(次の応答予測器)で予測クエリの結果を使用する。 総じて,本研究は新たな問題に対する第1の解決策を提案し,クエリアノテーションを使わずにtodシステムをトレーニングするための研究課題を強調する。

関連論文リスト

• Selecting Query-bag as Pseudo Relevance Feedback for Information-seeking Conversations [76.70349332096693]
  情報検索対話システムは電子商取引システムで広く利用されている。 クエリバッグに基づくPseudo Relevance Feedback framework(QB-PRF)を提案する。 関連クエリを備えたクエリバッグを構築し、擬似シグナルとして機能し、情報検索の会話をガイドする。
  論文  参考訳（メタデータ） (2024-03-22T08:10:32Z)
• Bridging the KB-Text Gap: Leveraging Structured Knowledge-aware Pre-training for KBQA [28.642711264323786]
  テキストと構造化KBのギャップを埋める構造化知識認識事前学習法(SKP)を提案する。 事前学習の段階では、複雑な部分グラフの暗黙的関係とより良い表現を効果的に学習するためにモデルを導くという、2つの新しい構造化された知識認識タスクを導入する。 下流KBQAタスクでは、より効率的な線形化戦略とインターバルアテンション機構を設計し、複雑なサブグラフの符号化を支援する。
  論文  参考訳（メタデータ） (2023-08-28T09:22:02Z)
• Q-TOD: A Query-driven Task-oriented Dialogue System [33.18698942938547]
  本稿では,新しい問合せ型タスク指向対話システム,すなわちQ-TODを紹介する。 対話コンテキストから必須情報をクエリに抽出し、応答生成のための関連する知識レコードを検索する。 提案するQ-TODの有効性を評価するために,3つの公開タスク指向対話データセットに対するクエリアノテーションを収集する。
  論文  参考訳（メタデータ） (2022-10-14T06:38:19Z)
• SYGMA: System for Generalizable Modular Question Answering OverKnowledge Bases [57.89642289610301]
  SYGMAは、複数の知識ベースと複数のリアソニングタイプにまたがる汎用化を容易にするモジュラーアプローチである。 本システムの有効性を,DBpediaとWikidataの2つの異なる知識ベースに属するデータセットを用いて評価することで実証する。
  論文  参考訳（メタデータ） (2021-09-28T01:57:56Z)
• Constraint based Knowledge Base Distillation in End-to-End Task Oriented Dialogs [23.678209058054062]
  タスク指向対話システムは対話履歴と付随する知識ベース(KB)に基づいて応答を生成する KBレコード中のn-ary構造を尊重して関連情報を識別する一対の類似度に基づくフィルタからなる新しいフィルタリング手法を提案する。 また、既存のエンティティF1メトリックの正当性問題を修正するための新しいメトリック-マルチセットエンティティF1を提案する。
  論文  参考訳（メタデータ） (2021-09-15T16:00:10Z)
• Conversational Query Rewriting with Self-supervised Learning [36.392717968127016]
  Conversational Query Rewriting (CQR) は、会話クエリを自己完結した発話に明示的に書き換えることによって、マルチターン対話を単一ターン問題に単純化することを目的としている。 既存のアプローチは、アノテートに労働集約的な大規模な教師付きトレーニングデータに依存している。 我々は,人間のアノテーションを必要としない自己教師付き学習により,大規模CQRデータセットを自動構築することを提案する。
  論文  参考訳（メタデータ） (2021-02-09T08:57:53Z)
• Learning Knowledge Bases with Parameters for Task-Oriented Dialogue Systems [79.02430277138801]
  知識ベース(KB)は、ユーザの要求を満たす上で重要な役割を担います。 エンド・ツー・エンドのシステムは直接KBを入力として使用するが、KBが数百のエントリより大きい場合にはスケールできない。 モデルパラメータに直接KBを埋め込む手法を提案する。
  論文  参考訳（メタデータ） (2020-09-28T22:13:54Z)
• 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)
• A Survey on Complex Question Answering over Knowledge Base: Recent Advances and Challenges [71.4531144086568]
  知識ベース(KB)に対する質問回答(QA)は、自然言語の質問に自動的に答えることを目的としている。 研究者は、よりKBのトリプルと制約推論を必要とする単純な質問から複雑な質問へと注意を移した。
  論文  参考訳（メタデータ） (2020-07-26T07:13:32Z)
• Faithful Embeddings for Knowledge Base Queries [97.5904298152163]
  理想的知識ベース(KB)の帰納的閉包は、KBが答えられる論理的クエリを正確に含んでいる。 実際にはKBは不完全かつ過剰な仕様であり、現実の答えを持つクエリには答えられない。 この新たなQEモジュールをニューラルな質問応答システムに挿入すると、最先端技術よりも大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2020-04-07T19:25:16Z)

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。