論文の概要: Dialogue Graph Modeling for Conversational Machine Reading

• arxiv url: http://arxiv.org/abs/2012.14827v1
• Date: Tue, 29 Dec 2020 16:08:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 20:48:38.688899
• Title: Dialogue Graph Modeling for Conversational Machine Reading
• Title（参考訳）: 対話機械読解のための対話グラフモデリング
• Authors: Siru Ouyang, Zhuosheng Zhang, Hai Zhao
• Abstract要約: Conversational Machine Reading (CMR)は、複雑な方法で質問に答えることを目的としている。 CMRタスクにおける機械の理解と推論能力を改善するための対話グラフモデリングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 43.352833140317486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational Machine Reading (CMR) aims at answering questions in a complicated manner. Machine needs to answer questions through interactions with users based on given rule document, user scenario and dialogue history, and ask questions to clarify if necessary. In this paper, we propose a dialogue graph modeling framework to improve the understanding and reasoning ability of machine on CMR task. There are three types of graph in total. Specifically, Discourse Graph is designed to learn explicitly and extract the discourse relation among rule texts as well as the extra knowledge of scenario; Decoupling Graph is used for understanding local and contextualized connection within rule texts. And finally a global graph for fusing the information together and reply to the user with our final decision being either ``Yes/No/Irrelevant" or to ask a follow-up question to clarify.
• Abstract（参考訳）: Conversational Machine Reading (CMR)は、複雑な方法で質問に答えることを目的としている。 マシンは、所定のルール文書、ユーザシナリオ、対話履歴に基づいてユーザーとの対話を通じて質問に答え、必要なら質問をする必要がある。 本稿では,CMRタスクにおける機械の理解と推論能力を改善するための対話グラフモデリングフレームワークを提案する。 グラフには3つの種類がある。 特に、談話グラフは、ルールテキスト間の談話関係を明示的に学習し、シナリオの余分な知識だけでなく、ルールテキスト内の局所的および文脈的接続を理解するために使用される。 そして最後に,情報を融合してユーザに返信するグローバルグラフが ‘Yes/No/Irrelevant’ か,あるいはフォローアップ質問で明確になるようにしています。

関連論文リスト

• Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
  我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。 提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
  論文  参考訳（メタデータ） (2024-06-14T13:28:03Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• GraphWOZ: Dialogue Management with Conversational Knowledge Graphs [2.938377447673471]
  本稿では,対話状態のコア表現として会話知識グラフを用いた対話管理手法を提案する。 我々は、人間の参加者が受付係として働くロボットと対話するウィザード・オブ・オズの対話を含む新しいデータセット、GraphWOZを導入する。
  論文  参考訳（メタデータ） (2022-11-23T10:53:21Z)
• GreaseLM: Graph REASoning Enhanced Language Models for Question Answering [159.9645181522436]
  GreaseLMは、事前訓練されたLMとグラフニューラルネットワークの符号化された表現を、複数の層にわたるモダリティ相互作用操作で融合する新しいモデルである。 GreaseLMは、状況制約と構造化知識の両方の推論を必要とする問題に、より確実に答えることができる。
  論文  参考訳（メタデータ） (2022-01-21T19:00:05Z)
• Ontology-based question answering over corporate structured data [0.0]
  自然言語理解(NLU)処理に対するオントロジーに基づくアプローチは、対話システムの品質に対する質問の改善を可能にする。 我々は、NLUエンジンアーキテクチャを説明し、その実装を評価した。 そこで,チャットボットの対話エンジンについて述べる。
  論文  参考訳（メタデータ） (2021-11-08T13:49:15Z)
• Learning Reasoning Paths over Semantic Graphs for Video-grounded Dialogues [73.04906599884868]
  対話文脈(PDC)における推論経路の新しい枠組みを提案する。 PDCモデルは、各質問と回答の語彙成分に基づいて構築されたセマンティックグラフを通じて、対話間の情報フローを発見する。 本モデルでは,この推論経路を通じて視覚情報とテキスト情報を逐次的に処理し,提案する特徴を用いて回答を生成する。
  論文  参考訳（メタデータ） (2021-03-01T07:39:26Z)
• 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)

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。