論文の概要: Contextual Dialogue Act Classification for Open-Domain Conversational
Agents
- arxiv url: http://arxiv.org/abs/2005.13804v1
- Date: Thu, 28 May 2020 06:48:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 05:11:25.126907
- Title: Contextual Dialogue Act Classification for Open-Domain Conversational
Agents
- Title（参考訳）: オープンドメイン会話エージェントの文脈対話行為分類
- Authors: Ali Ahmadvand, Jason Ingyu Choi, Eugene Agichtein
- Abstract要約: 会話におけるユーザ発話の一般的な意図を分類することは、会話エージェントのための自然言語理解(NLU)の重要なステップである。
本稿では,文脈対話行為分類のための簡易かつ効果的な深層学習手法であるCDAC(Contextual Dialogue Act)を提案する。
我々は、人-機械対話における対話行動を予測するために、トランスファーラーニングを用いて人間-機械対話で訓練されたモデルを適用する。
- 参考スコア（独自算出の注目度）: 10.576497782941697
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Classifying the general intent of the user utterance in a conversation, also
known as Dialogue Act (DA), e.g., open-ended question, statement of opinion, or
request for an opinion, is a key step in Natural Language Understanding (NLU)
for conversational agents. While DA classification has been extensively studied
in human-human conversations, it has not been sufficiently explored for the
emerging open-domain automated conversational agents. Moreover, despite
significant advances in utterance-level DA classification, full understanding
of dialogue utterances requires conversational context. Another challenge is
the lack of available labeled data for open-domain human-machine conversations.
To address these problems, we propose a novel method, CDAC (Contextual Dialogue
Act Classifier), a simple yet effective deep learning approach for contextual
dialogue act classification. Specifically, we use transfer learning to adapt
models trained on human-human conversations to predict dialogue acts in
human-machine dialogues. To investigate the effectiveness of our method, we
train our model on the well-known Switchboard human-human dialogue dataset, and
fine-tune it for predicting dialogue acts in human-machine conversation data,
collected as part of the Amazon Alexa Prize 2018 competition. The results show
that the CDAC model outperforms an utterance-level state of the art baseline by
8.0% on the Switchboard dataset, and is comparable to the latest reported
state-of-the-art contextual DA classification results. Furthermore, our results
show that fine-tuning the CDAC model on a small sample of manually labeled
human-machine conversations allows CDAC to more accurately predict dialogue
acts in real users' conversations, suggesting a promising direction for future
improvements.
- Abstract（参考訳）: 会話におけるユーザ発話の一般的な意図を分類することは、会話エージェントのための自然言語理解(NLU)において重要なステップである。
DA分類は人間と人間の会話において広く研究されているが、新たなオープンドメイン自動会話エージェントでは十分に研究されていない。
さらに、発話レベルDA分類の大幅な進歩にもかかわらず、対話発話の完全な理解には会話の文脈が必要である。
もうひとつの課題は、オープンドメインのヒューマンマシン会話のためのラベル付きデータがないことだ。
このような問題に対処するために,文脈対話行為分類法CDAC (Contextual Dialogue Act Classifier) を提案する。
具体的には,人間-機械対話における対話行動を予測するために,人間-人間対話を訓練したモデルを適用するためにトランスファー学習を用いる。
提案手法の有効性を検討するため,Amazon Alexa Prize 2018コンペティションの一環として収集された,人間と機械の対話データにおける対話行動を予測するために,よく知られたSwitchboard人間対話データセットを用いてモデルを訓練した。
以上の結果から,CDACモデルは,Switchboardデータセットの発話レベルを8.0%向上させ,最新の最先端DA分類結果に匹敵する結果を示した。
さらに,本研究の結果から,手動でラベル付けされた人間と機械の会話の小さなサンプルに対してCDACモデルを微調整することにより,実際のユーザの会話における対話行動をより正確に予測し,今後の改善に向けて期待できる方向が示唆された。
関連論文リスト
- Controllable Mixed-Initiative Dialogue Generation through Prompting [50.03458333265885]
混合開始対話タスクには、情報の繰り返し交換と会話制御が含まれる。
エージェントは、ポリシープランナーが定める特定の対話意図や戦略に従う応答を生成することにより、コントロールを得る。
標準的なアプローチは、これらの意図に基づいて生成条件を実行するために、訓練済みの言語モデルを微調整している。
代わりに、条件生成の微調整に代えて、大きな言語モデルをドロップインで置き換えるように促します。
論文 参考訳（メタデータ） (2023-05-06T23:11:25Z) - GODEL: Large-Scale Pre-Training for Goal-Directed Dialog [119.1397031992088]
ダイアログのための大規模事前学習言語モデルであるGODELを紹介する。
GODELは、数ショットの微調整設定で、最先端の事前訓練ダイアログモデルより優れていることを示す。
評価手法の新たな特徴は,応答の有用性を評価するユーティリティの概念の導入である。
論文 参考訳（メタデータ） (2022-06-22T18:19:32Z) - Response Generation with Context-Aware Prompt Learning [19.340498579331555]
本稿では,対話生成問題を素早い学習課題とする,事前学習型対話モデリングのための新しい手法を提案する。
限られた対話データを微調整する代わりに、我々のアプローチであるDialogPromptは、対話コンテキストに最適化された連続的なプロンプト埋め込みを学習する。
提案手法は,微調整ベースラインと汎用的なプロンプト学習法を著しく上回っている。
論文 参考訳（メタデータ） (2021-11-04T05:40:13Z) - We've had this conversation before: A Novel Approach to Measuring Dialog
Similarity [9.218829323265371]
ダイアログ類似性のシナリオに対する編集距離距離の新たな適応法を提案する。
提案手法は,発話意味論,会話の流れ,参加者など,さまざまな会話の側面を考慮に入れている。
論文 参考訳（メタデータ） (2021-10-12T07:24:12Z) - "How Robust r u?": Evaluating Task-Oriented Dialogue Systems on Spoken
Conversations [87.95711406978157]
本研究は、音声タスク指向会話における新しいベンチマークを示す。
マルチドメイン対話状態追跡と知識基底型対話モデルについて検討する。
我々のデータセットは,タスク指向対話システムの音声によるベンチマークを可能にする。
論文 参考訳（メタデータ） (2021-09-28T04:51:04Z) - Commonsense-Focused Dialogues for Response Generation: An Empirical
Study [39.49727190159279]
対話応答生成におけるコモンセンスの実証的研究について述べる。
まず、ConceptNetを利用して既存の対話データセットから共通感覚対話を自動的に抽出する。
次に、対話的な環境での社会的常識を示すことを目的とした、25K対話を備えた対話データセットを新たに収集する。
論文 参考訳（メタデータ） (2021-09-14T04:32:09Z) - Speaker Turn Modeling for Dialogue Act Classification [9.124489616470001]
本稿では,対話法(DA)分類のモデル化において,話者間の会話の交替変化を統合することを提案する。
会話中の話者ターンを表現するために,会話不変話者ターン埋め込みを学習する。
本モデルでは,対話内容から意味を抽出し,会話中の話者の交替を考慮に入れた。
論文 参考訳（メタデータ） (2021-09-10T18:36:35Z) - Detecting and Classifying Malevolent Dialogue Responses: Taxonomy, Data
and Methodology [68.8836704199096]
コーパスベースの会話インタフェースは、テンプレートベースのエージェントや検索ベースのエージェントよりも多様な自然なレスポンスを生成することができる。
コーパスベースの会話エージェントの生成能力が増大すると、マレヴォレントな反応を分類し、フィルタリングする必要性が生じる。
不適切な内容の認識と分類に関するこれまでの研究は、主にある種のマレヴォレンスに焦点を絞っている。
論文 参考訳（メタデータ） (2020-08-21T22:43:27Z) - Is this Dialogue Coherent? Learning from Dialogue Acts and Entities [82.44143808977209]
スイッチボード・コヒーレンス・コーパス(SWBD-Coh)コーパス(Switchboard Coherence corpus,SWBD-Coh)を作成する。
コーパスの統計的分析は、ターンコヒーレンス知覚がエンティティの分布パターンによってどのように影響を受けるかを示している。
DA情報とエンティティ情報を組み合わせたモデルでは,応答選択とターンコヒーレンス評価の両面で最高の性能が得られることがわかった。
論文 参考訳（メタデータ） (2020-06-17T21:02:40Z) - TOD-BERT: Pre-trained Natural Language Understanding for Task-Oriented
Dialogue [113.45485470103762]
本研究では,言語モデリングのためのタスク指向対話データセットを,人間とマルチターンの9つに統合する。
事前学習時の対話動作をモデル化するために,ユーザトークンとシステムトークンをマスク付き言語モデルに組み込む。
論文 参考訳（メタデータ） (2020-04-15T04:09:05Z)
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。