論文の概要: Discern: Discourse-Aware Entailment Reasoning Network for Conversational Machine Reading

• arxiv url: http://arxiv.org/abs/2010.01838v3
• Date: Fri, 16 Oct 2020 10:06:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 19:34:59.534460
• Title: Discern: Discourse-Aware Entailment Reasoning Network for Conversational Machine Reading
• Title（参考訳）: discern:会話機械読解のための談話認識関連推論ネットワーク
• Authors: Yifan Gao, Chien-Sheng Wu, Jingjing Li, Shafiq Joty, Steven C.H. Hoi, Caiming Xiong, Irwin King, Michael R. Lyu
• Abstract要約: Discernは、ドキュメントとダイアログの両方の理解を強化するために、接続を強化し、理解を深める、談話対応の係り受け推論ネットワークである。 実験の結果,意思決定におけるマクロ平均精度78.3%,フォローアップ質問生成における64.0 BLEU1が得られた。
• 参考スコア（独自算出の注目度）: 157.14821839576678
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Document interpretation and dialog understanding are the two major challenges for conversational machine reading. In this work, we propose Discern, a discourse-aware entailment reasoning network to strengthen the connection and enhance the understanding for both document and dialog. Specifically, we split the document into clause-like elementary discourse units (EDU) using a pre-trained discourse segmentation model, and we train our model in a weakly-supervised manner to predict whether each EDU is entailed by the user feedback in a conversation. Based on the learned EDU and entailment representations, we either reply to the user our final decision "yes/no/irrelevant" of the initial question, or generate a follow-up question to inquiry more information. Our experiments on the ShARC benchmark (blind, held-out test set) show that Discern achieves state-of-the-art results of 78.3% macro-averaged accuracy on decision making and 64.0 BLEU1 on follow-up question generation. Code and models are released at https://github.com/Yifan-Gao/Discern.
• Abstract（参考訳）: 文書解釈と対話理解は会話機械読解における2つの大きな課題である。 本稿では,文と対話の接続性を強化し,理解を深めるために,談話対応推論ネットワークであるdiscernを提案する。 具体的には,事前学習された談話セグメンテーションモデルを用いて文を節状初等談話単位(edu)に分割し,各eduが会話におけるユーザフィードバックによって関与しているかを弱教師付きで学習する。 学習したEDUとentailment表現に基づいて、最初の質問の「yes/no/irrelevant」という最終決定をユーザに返信するか、さらに情報を求めるためにフォローアップ質問を生成します。 筆者らはShARCベンチマーク(盲点, ホールドアウトテストセット)を用いて, 意思決定におけるマクロ平均精度78.3%, 追従質問生成における64.0 BLEU1の最先端結果を得た。 コードとモデルはhttps://github.com/Yifan-Gao/Discern.comで公開されている。

関連論文リスト

• Explicit Alignment and Many-to-many Entailment Based Reasoning for Conversational Machine Reading [8.910847114561191]
  Conversational Machine Reading (CMR) は、ユーザの最初の質問に対して、与えられた文書に基づいたマルチターン対話を通じて回答する必要がある。 提案手法は,マイクロ精度の最先端化を実現し,CMRベンチマークデータセットShARCの公開リーダボードにランクインする。
  論文  参考訳（メタデータ） (2023-10-20T10:27:24Z)
• Disco-Bench: A Discourse-Aware Evaluation Benchmark for Language Modelling [70.23876429382969]
  本研究では,多種多様なNLPタスクに対して,文内談話特性を評価できるベンチマークを提案する。 ディスコ・ベンチは文学領域における9つの文書レベルのテストセットから構成されており、豊富な談話現象を含んでいる。 また,言語分析のために,対象モデルが談話知識を学習するかどうかを検証できる診断テストスイートを設計する。
  論文  参考訳（メタデータ） (2023-07-16T15:18:25Z)
• Pre-training Multi-party Dialogue Models with Latent Discourse Inference [85.9683181507206]
  我々は、多人数対話の会話構造、すなわち、各発話が応答する相手を理解するモデルを事前訓練する。 ラベル付きデータを完全に活用するために,談話構造を潜在変数として扱い,それらを共同で推論し,談話認識モデルを事前学習することを提案する。
  論文  参考訳（メタデータ） (2023-05-24T14:06:27Z)
• TANet: Thread-Aware Pretraining for Abstractive Conversational Summarization [27.185068253347257]
  我々はRedditコミュニティの複数人による議論に基づいて,RCSと呼ばれる大規模(11M)事前学習データセットを構築した。 次に、スレッド対応のTransformerベースのネットワークであるTANetを紹介する。 会話を文の列として扱う既存の事前学習モデルとは異なり、本質的な文脈依存は会話全体を理解する上で重要な役割を担っていると論じる。
  論文  参考訳（メタデータ） (2022-04-09T16:08:46Z)
• Open-Retrieval Conversational Machine Reading [80.13988353794586]
  会話機械読解では、システムは自然言語規則を解釈し、ハイレベルな質問に答え、フォローアップの明確化を問う必要がある。 既存の作業では、ルールテキストがユーザ毎の質問に対して提供されると仮定し、実際のシナリオにおいて必須の検索ステップを無視する。 本研究では,対話型機械読解のオープンリトリーバル設定を提案し,検討する。
  論文  参考訳（メタデータ） (2021-02-17T08:55:01Z)
• Exploiting Unsupervised Data for Emotion Recognition in Conversations [76.01690906995286]
  会話における感情認識(Emotion Recognition in Conversations:ERC)は、会話における話者の感情状態を予測することを目的としている。 ERCタスクの教師付きデータは限られている。 教師なし会話データを活用する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-10-02T13:28:47Z)
• Explicit Memory Tracker with Coarse-to-Fine Reasoning for Conversational Machine Reading [177.50355465392047]
  本稿では,EMT(Explicit Memory Tracker)を用いた会話機械読取フレームワークを提案する。 我々のフレームワークは、粗大な推論戦略を採用することによって、明確化の質問を生成する。 EMTは74.6%のマイクロ平均決定精度と49.5BLEU4の新たな最先端結果を達成する。
  論文  参考訳（メタデータ） (2020-05-26T02:21:31Z)

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。