論文の概要: A Response Retrieval Approach for Dialogue Using a Multi-Attentive Transformer

• arxiv url: http://arxiv.org/abs/2012.08148v1
• Date: Tue, 15 Dec 2020 08:35:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 11:14:24.707003
• Title: A Response Retrieval Approach for Dialogue Using a Multi-Attentive Transformer
• Title（参考訳）: 多段階変換器を用いた対話の応答検索手法
• Authors: Matteo A. Senese, Alberto Benincasa, Barbara Caputo, Giuseppe Rizzo
• Abstract要約: 本稿では,第9回対話システム技術チャレンジ(DSTC9)について紹介する。 提案手法は, トラック番号4のSimulated Interactive MultiModal Conversationsに対処する。 本手法では,ユーザによる要求とユーザが参照している製品に対するエージェントの応答を条件としたマルチタッチ構造を持つトランスフォーマティブに基づくニューラルアーキテクチャを用いる。
• 参考スコア（独自算出の注目度）: 16.692776556613516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents our work for the ninth edition of the Dialogue System Technology Challenge (DSTC9). Our solution addresses the track number four: Simulated Interactive MultiModal Conversations. The task consists in providing an algorithm able to simulate a shopping assistant that supports the user with his/her requests. We address the task of response retrieval, that is the task of retrieving the most appropriate agent response from a pool of response candidates. Our approach makes use of a neural architecture based on transformer with a multi-attentive structure that conditions the response of the agent on the request made by the user and on the product the user is referring to. Final experiments on the SIMMC Fashion Dataset show that our approach achieves the second best scores on all the retrieval metrics defined by the organizers. The source code is available at https://github.com/D2KLab/dstc9-SIMMC.
• Abstract（参考訳）: 本稿では,対話システム技術チャレンジ(dstc9)第9版について紹介する。 提案手法は,トラック番号4のSimulated Interactive MultiModal Conversationsに対処する。 このタスクは、ユーザをリクエストで支援するショッピングアシスタントをシミュレートできるアルゴリズムを提供することによって構成される。 本稿では、応答候補のプールから最も適切なエージェント応答を検索するタスクである応答検索のタスクに対処する。 本手法では,ユーザによる要求とユーザが参照している製品に対するエージェントの応答を条件としたマルチタッチ構造を持つトランスフォーマティブに基づくニューラルアーキテクチャを用いる。 SIMMC Fashion Datasetの最終的な実験結果から,提案手法はオーガナイザが定義したすべての検索指標において,2番目のベストスコアを達成できることがわかった。 ソースコードはhttps://github.com/D2KLab/dstc9-SIMMCで入手できる。

関連論文リスト

• IRLab@iKAT24: Learned Sparse Retrieval with Multi-aspect LLM Query Generation for Conversational Search [6.974395116689502]
  iKAT 2024は、対話アシスタントの進化に焦点を当て、対話と応答をパーソナライズされたユーザー知識から適応することができる。 このトラックには、Personal Textual Knowledge Base(PTKB)と会話型AIタスク(通訳ランキングや応答生成など)が組み込まれている。
  論文  参考訳（メタデータ） (2024-11-22T05:18:35Z)
• Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent [102.31558123570437]
  マルチモーダル大規模言語モデル(MLLM)に固有の「ハロシン化」問題を緩和する上で,mRAG(Multimodal Retrieval Augmented Generation)が重要な役割を果たしている。 マルチモーダル検索のための自己適応型計画エージェントOmniSearchを提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:27:21Z)
• Interactive Text-to-Image Retrieval with Large Language Models: A Plug-and-Play Approach [33.231639257323536]
  本稿では,対話型テキスト・画像検索タスクにおける対話型コンテキストクエリの問題に対処する。 対話形式のコンテキストを再構成することにより、既存の視覚的対話データから検索モデルを微調整する必要がなくなる。 対象画像の属性に関する非冗長な質問を生成するために,LLM質問機を構築した。
  論文  参考訳（メタデータ） (2024-06-05T16:09:01Z)
• End-to-end Knowledge Retrieval with Multi-modal Queries [50.01264794081951]
  ReMuQは、テキストと画像のクエリからコンテンツを統合することで、大規模なコーパスから知識を取得するシステムを必要とする。 本稿では,入力テキストや画像を直接処理し,関連する知識をエンドツーエンドで検索する検索モデルReViz'を提案する。 ゼロショット設定下での2つのデータセットの検索において,優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T08:04:12Z)
• Query-Response Interactions by Multi-tasks in Semantic Search for Chatbot Candidate Retrieval [12.615150401073711]
  本稿では,マルチタスクに基づくセマンティックサーチニューラルネットワーク(MSSNN)を提案する。 この方法はSeq2Seqモデリングタスクを使用して、優れたクエリエンコーダを学習し、応答埋め込みを構築するために単語予測タスクを実行し、最終的に単純なマッチングモデルを実行し、ドット積スコアラを形成する。
  論文  参考訳（メタデータ） (2022-08-23T15:07:35Z)
• Open-Domain Conversational Search Assistant with Transformers [4.735500711531941]
  トランスフォーマーアーキテクチャが重要なIRタスクで最先端の結果を達成する方法を示します。 2つの大きな課題を解決するために、オープンドメインの抽象的な対話型検索エージェントパイプラインを提案する。
  論文  参考訳（メタデータ） (2021-01-20T16:02:15Z)
• Reasoning in Dialog: Improving Response Generation by Context Reading Comprehension [49.92173751203827]
  マルチターンダイアログでは、発話が文の完全な形を取るとは限らない。 読み解きの質問に答えるモデルの能力を検討し、応答生成性能の向上を提案する。
  論文  参考訳（メタデータ） (2020-12-14T10:58:01Z)
• Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
  本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。 我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-05-24T11:37:22Z)
• Open-Retrieval Conversational Question Answering [62.11228261293487]
  オープン検索型対話型質問応答 (ORConvQA) の設定を導入する。 ORConvQAのエンド・ツー・エンドシステムを構築し,レトリバー,リランカ,およびすべてトランスフォーマーをベースとしたリーダを特徴とする。
  論文  参考訳（メタデータ） (2020-05-22T19:39:50Z)
• Multi-Agent Task-Oriented Dialog Policy Learning with Role-Aware Reward Decomposition [64.06167416127386]
  本稿では,システムとユーザの両方をダイアログエージェントとみなすマルチエージェントダイアログポリシー学習を提案する。 2人のエージェントが互いに相互作用し、同時に一緒に学習されます。 その結果,本手法がシステムポリシとユーザポリシを同時に構築できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-08T04:51:40Z)

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。