論文の概要: Diversifying Task-oriented Dialogue Response Generation with Prototype
Guided Paraphrasing
- arxiv url: http://arxiv.org/abs/2008.03391v1
- Date: Fri, 7 Aug 2020 22:25:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 00:26:08.169433
- Title: Diversifying Task-oriented Dialogue Response Generation with Prototype
Guided Paraphrasing
- Title（参考訳）: プロトタイプガイドによるタスク指向対話応答生成の多様化
- Authors: Phillip Lippe, Pengjie Ren, Hinda Haned, Bart Voorn, and Maarten de
Rijke
- Abstract要約: タスク指向対話システム(TDS)における既存の対話応答生成(DRG)方法は、テンプレートベースとコーパスベースという2つのカテゴリに分類される。
我々はP2-Netと呼ばれるプロトタイプベースのパラフレーズニューラルネットワークを提案し、精度と多様性の両面で応答の質を高めることを目的としている。
- 参考スコア（独自算出の注目度）: 52.71007876803418
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing methods for Dialogue Response Generation (DRG) in Task-oriented
Dialogue Systems (TDSs) can be grouped into two categories: template-based and
corpus-based. The former prepare a collection of response templates in advance
and fill the slots with system actions to produce system responses at runtime.
The latter generate system responses token by token by taking system actions
into account. While template-based DRG provides high precision and highly
predictable responses, they usually lack in terms of generating diverse and
natural responses when compared to (neural) corpus-based approaches.
Conversely, while corpus-based DRG methods are able to generate natural
responses, we cannot guarantee their precision or predictability. Moreover, the
diversity of responses produced by today's corpus-based DRG methods is still
limited. We propose to combine the merits of template-based and corpus-based
DRGs by introducing a prototype-based, paraphrasing neural network, called
P2-Net, which aims to enhance quality of the responses in terms of both
precision and diversity. Instead of generating a response from scratch, P2-Net
generates system responses by paraphrasing template-based responses. To
guarantee the precision of responses, P2-Net learns to separate a response into
its semantics, context influence, and paraphrasing noise, and to keep the
semantics unchanged during paraphrasing. To introduce diversity, P2-Net
randomly samples previous conversational utterances as prototypes, from which
the model can then extract speaking style information. We conduct extensive
experiments on the MultiWOZ dataset with both automatic and human evaluations.
The results show that P2-Net achieves a significant improvement in diversity
while preserving the semantics of responses.
- Abstract（参考訳）: タスク指向対話システム(TDS)における既存の対話応答生成(DRG)方法は、テンプレートベースとコーパスベースという2つのカテゴリに分類される。
前者は事前に応答テンプレートのコレクションを作成し、スロットをシステムアクションで満たし、実行時にシステム応答を生成する。
後者はシステムアクションを考慮してトークンによってシステム応答トークンを生成する。
テンプレートベースのDRGは高精度で予測可能な応答を提供するが、通常、(神経)コーパスベースのアプローチと比較して、多様で自然な応答を生成する用語が欠けている。
逆に、コーパスに基づくDRG法は自然応答を生成できるが、精度や予測可能性を保証することはできない。
さらに、今日のコーパスベースのDRG法による応答の多様性は依然として限られている。
テンプレートベースとコーパスベースのDRGの利点を組み合わせ,P2-Netと呼ばれるプロトタイプベースのパラフレーズニューラルネットワークを導入し,精度と多様性の両面で応答の質を高めることを提案する。
P2-Netはスクラッチからレスポンスを生成する代わりに、テンプレートベースのレスポンスを言い換えることでシステムレスポンスを生成する。
応答の精度を保証するため、P2-Netは応答をセマンティクス、文脈の影響、パラフレージングノイズに分離し、パラフレージング中に意味を変化させる。
多様性を導入するために、p2-netは以前の会話発話をプロトタイプとしてランダムにサンプリングし、そこから会話スタイル情報を抽出できる。
自動評価と人間評価の両方を用いてマルチウォズデータセットを広範囲に実験する。
その結果,p2-netは,応答のセマンティクスを保ちながら,多様性の大幅な向上を実現した。
関連論文リスト
- UniMS-RAG: A Unified Multi-source Retrieval-Augmented Generation for Personalized Dialogue Systems [43.266153244137215]
大規模言語モデル(LLM)は多くの自然言語理解および生成タスクにおいて例外的な機能を示している。
我々は、パーソナライズされた応答を3つのサブタスク(知識ソース選択、知識検索、応答生成)に分解する。
統一多ソース検索拡張生成システム(UniMS-RAG)を提案する。
論文 参考訳（メタデータ） (2024-01-24T06:50:20Z) - Diverse and Faithful Knowledge-Grounded Dialogue Generation via
Sequential Posterior Inference [82.28542500317445]
本稿では,知識の選択と対話生成が可能な,逐次後推論(Sequential Posterior Inference, SPI)と呼ばれるエンドツーエンド学習フレームワークを提案する。
他の方法とは異なり、SPIは推論ネットワークを必要とせず、後部分布の単純な幾何学を仮定する。
論文 参考訳（メタデータ） (2023-06-01T21:23:13Z) - EM Pre-training for Multi-party Dialogue Response Generation [86.25289241604199]
多人数対話では、応答発話の宛先を生成前に指定する必要がある。
本稿では,アドレナラベルを生成するための期待ステップを反復的に実行する期待最大化(EM)アプローチを提案する。
論文 参考訳（メタデータ） (2023-05-21T09:22:41Z) - Reranking Overgenerated Responses for End-to-End Task-Oriented Dialogue
Systems [71.33737787564966]
エンド・ツー・エンド(E2E)タスク指向対話システム(ToD)は、いわゆる「いいね!
本稿では,システムによって当初過剰に生成された応答リストから高品質な項目を選択する方法を提案する。
本研究では,最先端のE2E ToDシステムを2.4BLEU,3.2ROUGE,2.8 METEORで改善し,新たなピーク値を得た。
論文 参考訳（メタデータ） (2022-11-07T15:59:49Z) - A Template-guided Hybrid Pointer Network for
Knowledge-basedTask-oriented Dialogue Systems [15.654119998970499]
本稿では,知識に基づくタスク指向対話システムのためのテンプレート誘導型ハイブリッドポインタネットワークを提案する。
本研究では,ゲーティング機構を備えたメモリポインタネットワークモデルを設計し,検索した回答と接地トラス応答とのセマンティックな相関関係をフル活用する。
論文 参考訳（メタデータ） (2021-06-10T15:49:26Z) - Dialogue History Matters! Personalized Response Selectionin Multi-turn
Retrieval-based Chatbots [62.295373408415365]
本稿では,コンテキスト応答マッチングのためのパーソナライズドハイブリッドマッチングネットワーク(phmn)を提案する。
1) ユーザ固有の対話履歴からパーソナライズされた発話行動を付加的なマッチング情報として抽出する。
ユーザ識別による2つの大規模データセット,すなわちパーソナライズされた対話 Corpus Ubuntu (P-Ubuntu) とパーソナライズされたWeiboデータセット (P-Weibo) のモデルを評価する。
論文 参考訳（メタデータ） (2021-03-17T09:42:11Z) - 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) - Multi-Domain Dialogue Acts and Response Co-Generation [34.27525685962274]
本稿では,対話行動と応答を同時に生成するニューラルコジェネレーションモデルを提案する。
我々のモデルは, 自動評価と人的評価の両方において, いくつかの最先端モデルに対して, 極めて良好な改善を達成している。
論文 参考訳（メタデータ） (2020-04-26T12:21:17Z)
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。