論文の概要: DCR-Net: A Deep Co-Interactive Relation Network for Joint Dialog Act
Recognition and Sentiment Classification
- arxiv url: http://arxiv.org/abs/2008.06914v1
- Date: Sun, 16 Aug 2020 14:13:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 09:13:51.746877
- Title: DCR-Net: A Deep Co-Interactive Relation Network for Joint Dialog Act
Recognition and Sentiment Classification
- Title（参考訳）: DCR-Net: 共同対話行為認識と感性分類のための深層共対話型関係ネットワーク
- Authors: Libo Qin, Wanxiang Che, Yangming Li, Minheng Ni, Ting Liu
- Abstract要約: ダイアログシステムでは、ダイアログアクト認識と感情分類は2つの相関タスクである。
既存のシステムのほとんどは、それらを別々のタスクとして扱うか、単に2つのタスクを一緒にモデル化するだけです。
本稿では,2つのタスク間の相互作用をモデル化するディープ・コ・インタラクティブ・リレーショナル・ネットワーク(DCR-Net)を提案する。
- 参考スコア（独自算出の注目度）: 77.59549450705384
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In dialog system, dialog act recognition and sentiment classification are two
correlative tasks to capture speakers intentions, where dialog act and
sentiment can indicate the explicit and the implicit intentions separately.
Most of the existing systems either treat them as separate tasks or just
jointly model the two tasks by sharing parameters in an implicit way without
explicitly modeling mutual interaction and relation. To address this problem,
we propose a Deep Co-Interactive Relation Network (DCR-Net) to explicitly
consider the cross-impact and model the interaction between the two tasks by
introducing a co-interactive relation layer. In addition, the proposed relation
layer can be stacked to gradually capture mutual knowledge with multiple steps
of interaction. Especially, we thoroughly study different relation layers and
their effects. Experimental results on two public datasets (Mastodon and
Dailydialog) show that our model outperforms the state-of-the-art joint model
by 4.3% and 3.4% in terms of F1 score on dialog act recognition task, 5.7% and
12.4% on sentiment classification respectively. Comprehensive analysis
empirically verifies the effectiveness of explicitly modeling the relation
between the two tasks and the multi-steps interaction mechanism. Finally, we
employ the Bidirectional Encoder Representation from Transformer (BERT) in our
framework, which can further boost our performance in both tasks.
- Abstract（参考訳）: ダイアログシステムでは、対話行動認識と感情分類は、話者の意図を捉えるための2つの相関タスクであり、ダイアログ行動と感情は、別々に明示的な意図と暗黙的な意図を示すことができる。
既存のシステムのほとんどは、これらを個別のタスクとして扱うか、あるいは相互の相互作用と関係を明示的にモデル化することなく、暗黙の方法でパラメータを共有することで2つのタスクを共同でモデル化する。
そこで本研究では, 相互関係層を導入することにより, 相互行為を明示的に考慮し, 2つのタスク間の相互作用をモデル化する深層協調関係ネットワーク (dcr-net) を提案する。
さらに、提案する関係層を積み重ねることで、対話の複数のステップで徐々に相互知識を捉えることができる。
特に、異なる関係層とその効果を徹底的に研究する。
2つの公開データセット(mastodonとdailydialog)を用いた実験の結果,対話行動認識タスクにおけるf1スコア,感情分類では5.7%,12.4%,最先端ジョイントモデルでは4.3%,3.4%であった。
包括的分析は、2つのタスクとマルチステップインタラクションメカニズムの関係を明示的にモデル化することの有効性を実証的に検証する。
最後に、トランスフォーマー(bert)からの双方向エンコーダ表現をフレームワークに採用することで、両方のタスクにおけるパフォーマンスをさらに向上させます。
関連論文リスト
- A Bi-directional Multi-hop Inference Model for Joint Dialog Sentiment
Classification and Act Recognition [25.426172735931463]
ダイアログ知覚分類(DSC)とアクト認識(DAR)の併用作業は,ダイアログ中の各発話に対する感情ラベルと行動ラベルを同時に予測することを目的としている。
本稿では,リッチな感情を反復的に抽出・統合し,双方向で手掛かりを行動させる双方向マルチホップ推論モデル(BMIM)を提案する。
BMIMは、DARのF1スコアで少なくとも2.6%、DSCのF1スコアで1.4%、最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2023-08-08T17:53:24Z) - Multi-Grained Multimodal Interaction Network for Entity Linking [65.30260033700338]
マルチモーダルエンティティリンクタスクは、マルチモーダル知識グラフへの曖昧な言及を解決することを目的としている。
MELタスクを解決するための新しいMulti-Grained Multimodal InteraCtion Network $textbf(MIMIC)$ frameworkを提案する。
論文 参考訳（メタデータ） (2023-07-19T02:11:19Z) - A Hierarchical Interactive Network for Joint Span-based Aspect-Sentiment
Analysis [34.1489054082536]
本稿では,2つのタスク間の双方向相互作用を適切にモデル化する階層型対話型ネットワーク(HI-ASA)を提案する。
クロススティッチ機構を用いて、異なるタスク固有の特徴を入力として選択的に組み合わせ、適切な双方向インタラクションを保証する。
3つの実世界のデータセットの実験は、HI-ASAがベースラインよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-08-24T03:03:49Z) - Disentangled Representation Learning for Text-Video Retrieval [51.861423831566626]
テキスト・ビデオ検索(TVR)における相互モダリティの相互作用
我々は相互作用のパラダイムを深く研究し、その計算を2つの項に分けることができることを示した。
本稿では,逐次的かつ階層的な表現を捉えるための非絡み合いフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-14T13:55:33Z) - Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。
ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。
実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
論文 参考訳（メタデータ） (2021-04-30T06:38:23Z) - Co-GAT: A Co-Interactive Graph Attention Network for Joint Dialog Act
Recognition and Sentiment Classification [34.711179589196355]
ダイアログシステムでは、ダイアログアクト認識と感情分類は2つの相関タスクである。
2つのタスクを共同で実行するためのCo-GAT(Co-Interactive Graph Attention Network)を提案する。
2つの公開データセットの実験結果から,我々のモデルは2つの情報源をうまく捉えていることがわかった。
論文 参考訳（メタデータ） (2020-12-24T14:10:24Z) - A Co-Interactive Transformer for Joint Slot Filling and Intent Detection [61.109486326954205]
音声言語理解システム(SLU)を構築する上では,インテント検出とスロットフィリングが主要な2つのタスクである。
以前の研究では、2つのタスクを個別にモデル化するか、インテントからスロットへの単一の情報フローのみを考慮していた。
本稿では,2つのタスク間の相互影響を同時に検討するコ・インターアクティブ・トランスフォーマーを提案する。
論文 参考訳（メタデータ） (2020-10-08T10:16:52Z) - Cascaded Human-Object Interaction Recognition [175.60439054047043]
マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。
各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。
慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
論文 参考訳（メタデータ） (2020-03-09T17:05:04Z)
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。