Fugu-MT 論文翻訳(概要): Exploiting Unsupervised Data for Emotion Recognition in Conversations

論文の概要: Exploiting Unsupervised Data for Emotion Recognition in Conversations

arxiv url: http://arxiv.org/abs/2010.01908v2
Date: Tue, 6 Oct 2020 09:32:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 01:43:56.732267
Title: Exploiting Unsupervised Data for Emotion Recognition in Conversations
Title（参考訳）: 会話における感情認識のための教師なしデータの抽出
Authors: Wenxiang Jiao, Michael R. Lyu, Irwin King
Abstract要約: 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。
参考スコア（独自算出の注目度）: 76.01690906995286
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Emotion Recognition in Conversations (ERC) aims to predict the emotional state of speakers in conversations, which is essentially a text classification task. Unlike the sentence-level text classification problem, the available supervised data for the ERC task is limited, which potentially prevents the models from playing their maximum effect. In this paper, we propose a novel approach to leverage unsupervised conversation data, which is more accessible. Specifically, we propose the Conversation Completion (ConvCom) task, which attempts to select the correct answer from candidate answers to fill a masked utterance in a conversation. Then, we Pre-train a basic COntext- Dependent Encoder (Pre-CODE) on the ConvCom task. Finally, we fine-tune the Pre-CODE on the datasets of ERC. Experimental results demonstrate that pre-training on unsupervised data achieves significant improvement of performance on the ERC datasets, particularly on the minority emotion classes.
Abstract（参考訳）: Emotion Recognition in Conversations (ERC) は、会話中の話者の感情状態を予測することを目的としている。文レベルのテキスト分類問題とは異なり、ERCタスクの教師付きデータは制限されており、モデルが最大限の効果を発揮できない可能性がある。本稿では,よりアクセスしやすい教師なし会話データを活用するための新しい手法を提案する。具体的には,会話中のマスクされた発話を埋めるために,候補回答から正しい回答を選択しようとする会話補完タスク(convcom)を提案する。次に、ConvComタスク上で基本的なCOntext-Dependent Encoder(Pre-CODE)を事前訓練する。最後に、ERCのデータセットにPre-CODEを微調整する。実験の結果,教師なしデータに対する事前学習は,特にマイノリティ感情クラスにおいて,ercデータセットのパフォーマンスが著しく向上することが示された。

関連論文リスト

RECAP: Retrieval-Enhanced Context-Aware Prefix Encoder for Personalized Dialogue Response Generation [30.245143345565758]
パーソナライズされた応答生成のための検索強化手法を提案する。対話ドメインデータに基づいて訓練された階層型トランスフォーマーを設計し、パーソナライズされた検索を行うとともに、検索した情報をデコーダに効率的に融合するコンテキスト対応プレフィックスエンコーダを設計する。人的および自動メトリクスの組でモデルの性能を定量的に評価し、英語のReddit会話における最先端のベースラインよりも優れていると判断した。
論文参考訳（メタデータ） (2023-06-12T16:10:21Z)
Socratic Pretraining: Question-Driven Pretraining for Controllable Summarization [89.04537372465612]
ソクラティック事前訓練は、要約タスクにおける制御性を改善するために設計された、質問駆動で教師なし事前訓練の目的である。以上の結果から,Socraticプレトレーニングはタスク固有のラベル付きデータ要件を半分に削減することがわかった。
論文参考訳（メタデータ） (2022-12-20T17:27:10Z)
The Conversational Short-phrase Speaker Diarization (CSSD) Task: Dataset, Evaluation Metric and Baselines [63.86406909879314]
本稿では,会話短文話者ダイアリゼーション(CSSD)タスクについて述べる。トレーニングとテストのデータセット、評価基準、ベースラインで構成されている。距離の面では,発話レベルでのSD精度を算出する新しい対話型DER (CDER) 評価指標を設計する。
論文参考訳（メタデータ） (2022-08-17T03:26:23Z)
End-to-end Spoken Conversational Question Answering: Task, Dataset and Model [92.18621726802726]
音声による質問応答では、システムは関連する音声書き起こしの中に連続したテキストスパンからの質問に答えるように設計されている。本稿では,複雑な対話フローをモデル化することを目的とした音声対話型質問応答タスク(SCQA)を提案する。本研究の目的は,音声記録に基づく対話型質問に対処するシステムを構築することであり,情報収集システムによる様々なモダリティからより多くの手がかりを提供する可能性を探ることである。
論文参考訳（メタデータ） (2022-04-29T17:56:59Z)
Findings on Conversation Disentanglement [28.874162427052905]
発話から発話への分類と発話からスレッドへの分類を学習する学習モデルを構築した。 Ubuntu IRCデータセットの実験は、このアプローチが従来の欲求的アプローチを上回る可能性があることを示している。
論文参考訳（メタデータ） (2021-12-10T05:54:48Z)
Unsupervised Conversation Disentanglement through Co-Training [30.304609312675186]
人間のアノテーションを参考にすることなく、会話の絡み合いモデルを訓練する。提案手法は,2つのニューラルネットワークからなるディープコトレーニングアルゴリズムに基づいて構築される。メッセージペア分類器では、信頼度の高いメッセージペアを検索することで、トレーニングデータを強化します。
論文参考訳（メタデータ） (2021-09-07T17:05:18Z)
Unsupervised Summarization for Chat Logs with Topic-Oriented Ranking and Context-Aware Auto-Encoders [59.038157066874255]
本稿では,手動ラベル付きデータを用いずにチャット要約を行うrankaeという新しいフレームワークを提案する。 RankAEは、中心性と多様性に応じてトピックの発話を同時に選択するトピック指向のランキング戦略で構成されています。消音自動エンコーダは、選択された発話に基づいて簡潔でコンテキスト情報に基づいた要約を生成するように設計されています。
論文参考訳（メタデータ） (2020-12-14T07:31:17Z)
Towards Data Distillation for End-to-end Spoken Conversational Question Answering [65.124088336738]
音声対話型質問応答タスク(SCQA)を提案する。 SCQAは,音声発話とテキストコーパスから複雑な対話の流れをモデル化することを目的としている。我々の主な目的は、音声とテキストの両方で会話的な質問に対処するQAシステムを構築することである。
論文参考訳（メタデータ） (2020-10-18T05:53:39Z)
Contextual Dialogue Act Classification for Open-Domain Conversational Agents [10.576497782941697]
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。
論文参考訳（メタデータ） (2020-05-28T06:48:10Z)
ConCET: Entity-Aware Topic Classification for Open-Domain Conversational Agents [9.870634472479571]
ConCET: Concurrent Entity-aware conversational Topic Classifierを紹介する。本稿では,合成学習データを生成するための簡便で効果的な手法を提案する。我々はAmazon Alexa Prizeの一部として収集された実際のユーザとの人間と機械の会話の大規模なデータセットでConCETを評価した。
論文参考訳（メタデータ） (2020-05-28T06:29:08Z)

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。