論文の概要: Persuasive Dialogue Understanding: the Baselines and Negative Results
- arxiv url: http://arxiv.org/abs/2011.09954v2
- Date: Sun, 22 Nov 2020 18:27:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 20:25:30.584794
- Title: Persuasive Dialogue Understanding: the Baselines and Negative Results
- Title（参考訳）: 説得的対話理解:ベースラインと否定的結果
- Authors: Hui Chen, Deepanway Ghosal, Navonil Majumder, Amir Hussain, Soujanya
Poria
- Abstract要約: 本研究では,コンディショナルランダムフィールド(CRF)と組み合わされたトランスフォーマーベースのアプローチの限界を,説得的戦略認識の課題として示す。
話者間および話者内コンテキストセマンティックな特徴とラベル依存を利用して認識を改善する。
- 参考スコア（独自算出の注目度）: 27.162062321321805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Persuasion aims at forming one's opinion and action via a series of
persuasive messages containing persuader's strategies. Due to its potential
application in persuasive dialogue systems, the task of persuasive strategy
recognition has gained much attention lately. Previous methods on user intent
recognition in dialogue systems adopt recurrent neural network (RNN) or
convolutional neural network (CNN) to model context in conversational history,
neglecting the tactic history and intra-speaker relation. In this paper, we
demonstrate the limitations of a Transformer-based approach coupled with
Conditional Random Field (CRF) for the task of persuasive strategy recognition.
In this model, we leverage inter- and intra-speaker contextual semantic
features, as well as label dependencies to improve the recognition. Despite
extensive hyper-parameter optimizations, this architecture fails to outperform
the baseline methods. We observe two negative results. Firstly, CRF cannot
capture persuasive label dependencies, possibly as strategies in persuasive
dialogues do not follow any strict grammar or rules as the cases in Named
Entity Recognition (NER) or part-of-speech (POS) tagging. Secondly, the
Transformer encoder trained from scratch is less capable of capturing
sequential information in persuasive dialogues than Long Short-Term Memory
(LSTM). We attribute this to the reason that the vanilla Transformer encoder
does not efficiently consider relative position information of sequence
elements.
- Abstract（参考訳）: 説得は、説得者の戦略を含む一連の説得的なメッセージを通じて人の意見と行動を形成することを目的としている。
説得的対話システムへの応用の可能性から,近年,説得的戦略認識の課題が注目されている。
対話システムにおけるユーザ意図認識の従来の手法では、会話履歴における文脈をモデル化するためにrecurrent neural network(rnn)やconvolutional neural network(cnn)を採用している。
本稿では,コンディショナルランダムフィールド(CRF)と組み合わされたトランスフォーマーベースのアプローチの限界を,説得的戦略認識の課題として示す。
このモデルでは,話者間および話者内コンテキスト意味的特徴とラベル依存性を活用して認識を改善する。
広範囲なハイパーパラメータの最適化にもかかわらず、このアーキテクチャはベースラインメソッドを上回ってはいない。
2つの否定的な結果が得られます。
第一に、CRFは説得力のあるラベル依存をキャプチャできない。例えば、説得力のある対話における戦略は、名前付きエンティティ認識(NER)やPOS(Part-of-speech)タグ付けのような厳密な文法や規則に従わないからである。
第2に、スクラッチから訓練されたトランスコーダは、長期短期記憶(lstm)よりも説得対話においてシーケンシャル情報をキャプチャする能力が低い。
これをバニラトランスエンコーダがシーケンス要素の相対的な位置情報を効率的に考慮しない理由としている。
関連論文リスト
- Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations [58.65755268815283]
多くの実際の対話は対話的であり、つまりエージェントの発話が会話の相手に影響を与えるか、情報を引き出すか、意見を変えるかである。
この事実を利用して、既存の最適データを書き直し、拡張し、オフライン強化学習(RL)を介してトレーニングする。
実際の人間によるユーザ調査の結果、我々のアプローチは既存の最先端の対話エージェントを大きく上回っていることがわかった。
論文 参考訳（メタデータ） (2024-11-07T21:37:51Z) - Improved Contextual Recognition In Automatic Speech Recognition Systems
By Semantic Lattice Rescoring [4.819085609772069]
本稿では,意味的格子処理によるASRシステム内における文脈認識の高度化のための新しい手法を提案する。
提案手法は,隠れマルコフモデルとガウス混合モデル(HMM-GMM)とディープニューラルネットワーク(DNN)モデルを用いて,精度を向上する。
本稿では,実験分析によるLibriSpeechデータセット上でのフレームワークの有効性を示す。
論文 参考訳（メタデータ） (2023-10-14T23:16:05Z) - Improving Factual Consistency for Knowledge-Grounded Dialogue Systems
via Knowledge Enhancement and Alignment [77.56326872997407]
事前訓練言語モデル(PLM)に基づく知識基底対話システムは、提供された知識源と実際に矛盾しない応答を生成する傾向にある。
トランスフォーマー内のフィードフォワードネットワーク(FFN)が事実知識表現の責任を負っていると判断する以前の研究から着想を得て,事実表現能力を効率的に改善するための2つの方法を検討した。
論文 参考訳（メタデータ） (2023-10-12T14:44:05Z) - Channel-aware Decoupling Network for Multi-turn Dialogue Comprehension [81.47133615169203]
本稿では,PrLMの逐次文脈化を超えて,発話間の包括的相互作用のための合成学習を提案する。
私たちは、モデルが対話ドメインに適応するのを助けるために、ドメイン適応型トレーニング戦略を採用しています。
実験の結果,提案手法は4つの公開ベンチマークデータセットにおいて,強力なPrLMベースラインを著しく向上させることがわかった。
論文 参考訳（メタデータ） (2023-01-10T13:18:25Z) - Target-Guided Dialogue Response Generation Using Commonsense and Data
Augmentation [32.764356638437214]
ターゲット誘導応答生成のための新しい手法を提案する。
また,既存の対話データセットをターゲット誘導生成のために再利用する手法を提案する。
我々の作業は、一般的に、対話システムの設計者が、システムが生み出す会話をより制御できるようにします。
論文 参考訳（メタデータ） (2022-05-19T04:01:40Z) - Graph Based Network with Contextualized Representations of Turns in
Dialogue [0.0]
対話に基づく関係抽出(RE)は、対話に現れる2つの引数間の関係を抽出することを目的としている。
本稿では,対話の理解方法に着目したTUCORE-GCN(TUrn Context aware Graph Convolutional Network)を提案する。
論文 参考訳（メタデータ） (2021-09-09T03:09:08Z) - Smoothing Dialogue States for Open Conversational Machine Reading [70.83783364292438]
本稿では,2つの対話状態を1つのデコーダとブリッジ決定と質問生成でスムーズにすることで,効果的なゲーティング戦略を提案する。
OR-ShARCデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2021-08-28T08:04:28Z) - Saying No is An Art: Contextualized Fallback Responses for Unanswerable
Dialogue Queries [3.593955557310285]
ほとんどの対話システムは、ランク付けされた応答を生成するためのハイブリッドアプローチに依存している。
ユーザクエリに対して文脈的に認識された応答を生成するニューラルネットワークを設計する。
我々の単純なアプローチでは、依存関係解析のルールと、質問応答ペアの合成データに基づいて微調整されたテキストからテキストへの変換を行う。
論文 参考訳（メタデータ） (2020-12-03T12:34:22Z) - DialogBERT: Discourse-Aware Response Generation via Learning to Recover
and Rank Utterances [18.199473005335093]
本稿では,従来の PLM に基づく対話モデルを強化した対話応答生成モデルである DialogBERT を提案する。
発話間の談話レベルのコヒーレンスを効果的に把握するために,マスク付き発話回帰を含む2つの訓練目標を提案する。
3つのマルチターン会話データセットの実験により、我々のアプローチがベースラインを著しく上回ることを示した。
論文 参考訳（メタデータ） (2020-12-03T09:06:23Z) - Multi-Stage Conversational Passage Retrieval: An Approach to Fusing Term
Importance Estimation and Neural Query Rewriting [56.268862325167575]
マルチステージアドホックIRシステムにクエリ再構成を組み込んだ会話経路検索(ConvPR)に取り組む。
本稿では,1項の重要度推定と2項のニューラルクエリ書き換えという2つの手法を提案する。
前者に対しては、周波数に基づく信号を用いて会話コンテキストから抽出した重要な用語を用いて会話クエリを拡張する。
後者では,会話クエリを,事前訓練されたシーケンス列列列モデルを用いて,自然な,スタンドアロンの,人間の理解可能なクエリに再構成する。
論文 参考訳（メタデータ） (2020-05-05T14:30:20Z) - A Controllable Model of Grounded Response Generation [122.7121624884747]
現在のエンドツーエンドのニューラルネットワークモデルは、応答生成プロセスにセマンティックコントロールを課す柔軟性を本質的に欠いている。
我々は制御可能な接地応答生成(CGRG)と呼ばれるフレームワークを提案する。
このフレームワークを用いることで、会話のようなRedditデータセットでトレーニングされた、新しいインダクティブアテンション機構を備えたトランスフォーマーベースのモデルが、強力な生成ベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2020-05-01T21:22:08Z)
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。