論文の概要: Keyword-Guided Neural Conversational Model

• arxiv url: http://arxiv.org/abs/2012.08383v3
• Date: Sun, 28 Feb 2021 05:55:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 05:39:09.140347
• Title: Keyword-Guided Neural Conversational Model
• Title（参考訳）: キーワード誘導型ニューラル会話モデル
• Authors: Peixiang Zhong, Yong Liu, Hao Wang, Chunyan Miao
• Abstract要約: キーワード遷移と応答検索の両方に外部共通知識グラフ(CKG)を利用できるキーワード誘導型ニューラルネットワークモデルを提案する。 本モデルでは,スムースなキーワード遷移による応答を生成し,競合ベースラインよりも高速にターゲットキーワードに到達する。
• 参考スコア（独自算出の注目度）: 40.75894394914768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of imposing conversational goals/keywords on open-domain conversational agents, where the agent is required to lead the conversation to a target keyword smoothly and fast. Solving this problem enables the application of conversational agents in many real-world scenarios, e.g., recommendation and psychotherapy. The dominant paradigm for tackling this problem is to 1) train a next-turn keyword classifier, and 2) train a keyword-augmented response retrieval model. However, existing approaches in this paradigm have two limitations: 1) the training and evaluation datasets for next-turn keyword classification are directly extracted from conversations without human annotations, thus, they are noisy and have low correlation with human judgements, and 2) during keyword transition, the agents solely rely on the similarities between word embeddings to move closer to the target keyword, which may not reflect how humans converse. In this paper, we assume that human conversations are grounded on commonsense and propose a keyword-guided neural conversational model that can leverage external commonsense knowledge graphs (CKG) for both keyword transition and response retrieval. Automatic evaluations suggest that commonsense improves the performance of both next-turn keyword prediction and keyword-augmented response retrieval. In addition, both self-play and human evaluations show that our model produces responses with smoother keyword transition and reaches the target keyword faster than competitive baselines.
• Abstract（参考訳）: 本研究では,オープンドメインの会話エージェントに対して対話目標/キーワードを付与する問題について検討し,対話を目標キーワードに円滑かつ迅速に導くためにエージェントが要求される場合について検討する。 この問題を解決することで、例えばレコメンデーションや心理療法など、多くの現実世界のシナリオにおける会話エージェントの応用が可能になる。 この問題に対処する主要なパラダイムは、1)次のターンキーワード分類器を訓練し、2)キーワード拡張応答検索モデルを訓練することである。 しかし、このパラダイムにおける既存のアプローチには、2つの制限がある: 1)次のターンキーワード分類のトレーニングと評価データセットは、人間のアノテーションのない会話から直接抽出されるので、ノイズが少なく、人間の判断と相関が小さい、2) キーワード遷移の間、エージェントは、ターゲットキーワードに近づくために、単語埋め込み間の類似性のみに頼っている。 本稿では、人間の会話がコモンセンスに基づいていると仮定し、キーワード遷移と応答検索の両方に外部コモンセンス知識グラフ(CKG)を活用できるキーワード誘導型ニューラルネットワークモデルを提案する。 自動評価では、コモンセンスは、next-turnキーワード予測とキーワード拡張応答検索の両方の性能を改善することが示唆されている。 さらに,自己評価と人的評価の両面から,我々のモデルは,よりスムーズなキーワード遷移による応答を生成し,競合するベースラインよりも高速にターゲットキーワードに到達することを示す。

関連論文リスト

• Phrase Retrieval for Open-Domain Conversational Question Answering with Conversational Dependency Modeling via Contrastive Learning [54.55643652781891]
  Open-Domain Conversational Question Answering (ODConvQA)は、マルチターン会話を通じて質問に答えることを目的としている。 そこで本研究では,単語列に対する句検索方式を用いて,回答を直接予測する手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T09:46:38Z)
• Keyword Extraction for Improved Document Retrieval in Conversational Search [10.798537120200006]
  混合開始型会話検索は大きな利点をもたらす。 会話からユーザーが提供する追加情報を取り入れることには、いくつかの課題がある。 我々は2つの対話型キーワード抽出データセットを収集し、それらを組み込んだエンドツーエンドの文書検索パイプラインを提案する。
  論文  参考訳（メタデータ） (2021-09-13T13:55:37Z)
• A Taxonomy of Empathetic Response Intents in Human Social Conversations [1.52292571922932]
  自然言語処理コミュニティでは、オープンドメインの会話エージェントがますます人気を高めている。 課題のひとつは、共感的な方法で会話できるようにすることです。 現在のニューラルレスポンス生成手法は、大規模な会話データからエンドツーエンドの学習のみに頼って対話を生成する。 近年,対話act/intentモデリングとニューラルレスポンス生成を組み合わせることが期待されている。
  論文  参考訳（メタデータ） (2020-12-07T21:56:45Z)
• Generating Dialogue Responses from a Semantic Latent Space [75.18449428414736]
  語彙のエンドツーエンド分類に代わる方法を提案する。 潜在空間上の回帰タスクとして,プロンプトと応答のペア関係を学習する。 人間の評価は、連続した空間でタスクを学習すると、関連性と情報性の両方を持つ応答が生成されることを示した。
  論文  参考訳（メタデータ） (2020-10-04T19:06:16Z)
• Dialogue Response Ranking Training with Large-Scale Human Feedback Data [52.12342165926226]
  ソーシャルメディアのフィードバックデータを利用して、フィードバック予測のための大規模なトレーニングデータセットを構築します。 我々は,1300万対の人間のフィードバックデータに基づくGPT-2モデルであるDialogRPTを訓練した。 我々のランキングは、Redditのフィードバックを予測する上で、従来のダイアログの難易度ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2020-09-15T10:50:05Z)
• Sequential Sentence Matching Network for Multi-turn Response Selection in Retrieval-based Chatbots [45.920841134523286]
  本稿では,文レベルの意味情報を用いて問題に対処する,逐次文マッチングネットワーク(S2M)を提案する。 まず、文レベルの意味情報を用いて、ネットワークが問題に対処し、マッチングを大幅に改善し、その結果、最先端のパフォーマンスが得られることがわかった。
  論文  参考訳（メタデータ） (2020-05-16T09:47:19Z)
• Learning an Unreferenced Metric for Online Dialogue Evaluation [53.38078951628143]
  本稿では,大規模な事前学習言語モデルを用いて発話の潜在表現を抽出する非参照自動評価指標を提案する。 提案手法は,オンライン環境でのアノテーションと高い相関性を実現すると同時に,推論時に比較に真の応答を必要としないことを示す。
  論文  参考訳（メタデータ） (2020-05-01T20:01:39Z)
• Keyword-Attentive Deep Semantic Matching [1.8416014644193064]
  本稿では,深いセマンティックマッチングを改善するためのキーワード付きアプローチを提案する。 まず、大きなコーパスからのドメインタグを利用して、ドメインを拡張したキーワード辞書を生成する。 モデル学習中,入力ペア間のキーワードカバレッジに基づく新しいネガティブサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-11T10:18:32Z)
• Dynamic Knowledge Routing Network For Target-Guided Open-Domain Conversation [79.7781436501706]
  本稿では,粗いキーワードを導入することで,システム応答の意図した内容を制御する構造的アプローチを提案する。 また,対話を円滑な目標達成に導くために,より高い成功率で対話を誘導する新たな二重談話レベルの目標誘導戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-04T09:49:36Z)

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。