論文の概要: A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles

• arxiv url: http://arxiv.org/abs/2102.08322v1
• Date: Tue, 16 Feb 2021 18:05:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 04:14:42.763125
• Title: A Cooperative Memory Network for Personalized Task-oriented Dialogue Systems with Incomplete User Profiles
• Title（参考訳）: 不完全ユーザプロファイルを有するタスク指向対話システムのための協調記憶ネットワーク
• Authors: Jiahuan Pei, Pengjie Ren, Maarten de Rijke
• Abstract要約: ユーザプロファイルの完成を前提とせず,タスク指向対話システムについて検討する。 ユーザプロファイルを徐々に強化する新しいメカニズムを持つ協調記憶ネットワーク(CoMemNN)を提案する。 CoMemNNは、ユーザープロファイルを効果的に強化することができ、応答選択精度の点で3.6%の改善につながります。
• 参考スコア（独自算出の注目度）: 55.951126447217526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is increasing interest in developing personalized Task-oriented Dialogue Systems (TDSs). Previous work on personalized TDSs often assumes that complete user profiles are available for most or even all users. This is unrealistic because (1) not everyone is willing to expose their profiles due to privacy concerns; and (2) rich user profiles may involve a large number of attributes (e.g., gender, age, tastes, . . .). In this paper, we study personalized TDSs without assuming that user profiles are complete. We propose a Cooperative Memory Network (CoMemNN) that has a novel mechanism to gradually enrich user profiles as dialogues progress and to simultaneously improve response selection based on the enriched profiles. CoMemNN consists of two core modules: User Profile Enrichment (UPE) and Dialogue Response Selection (DRS). The former enriches incomplete user profiles by utilizing collaborative information from neighbor users as well as current dialogues. The latter uses the enriched profiles to update the current user query so as to encode more useful information, based on which a personalized response to a user request is selected. We conduct extensive experiments on the personalized bAbI dialogue benchmark datasets. We find that CoMemNN is able to enrich user profiles effectively, which results in an improvement of 3.06% in terms of response selection accuracy compared to state-of-the-art methods. We also test the robustness of CoMemNN against incompleteness of user profiles by randomly discarding attribute values from user profiles. Even when discarding 50% of the attribute values, CoMemNN is able to match the performance of the best performing baseline without discarding user profiles, showing the robustness of CoMemNN.
• Abstract（参考訳）: パーソナライズされたタスク指向対話システム(TDS)の開発への関心が高まっている。 パーソナライズされたTDSに関する以前の研究は、完全なユーザープロファイルがほとんどの、あるいはすべてのユーザーに対して利用できると仮定することが多い。 なぜなら、(1) 誰もがプライバシー上の懸念からプロフィールを公開しようとするわけではないし、(2) リッチなユーザープロフィールには多数の属性(性別、年齢、味など)が伴う可能性があるからである。 . .). 本稿では,ユーザプロファイルの完成を前提に,パーソナライズされたTDSについて検討する。 対話が進むにつれてユーザプロファイルを段階的に強化し,その豊富なプロファイルに基づいた応答選択を同時に改善する,新たなメカニズムを持つ協調メモリネットワーク(CoMemNN)を提案する。 CoMemNNは2つのコアモジュールで構成されている: User Profile Enrichment (UPE) と Dialogue Response Selection (DRS) である。 前者は、隣接するユーザーの共同情報と現在の対話を活用して、不完全なユーザープロファイルを豊かにします。 後者は、ユーザリクエストに対するパーソナライズされたレスポンスが選択されたかに基づいて、現在のユーザクエリを更新して、より有用な情報をエンコードする。 パーソナライズされたbAbIダイアログベンチマークデータセットに関する広範な実験を実施します。 その結果,CoMemNNはユーザプロファイルを効果的に強化することができ,その結果,最先端手法と比較して応答選択精度が3.06%向上することがわかった。 また,ユーザプロファイルから属性値をランダムに破棄することで,ユーザプロファイルの不完全性に対するcomemnnのロバスト性をテストする。 属性値の50%を破棄しても、CoMemNNはユーザープロファイルを破棄することなく、最高のパフォーマンスのベースラインのパフォーマンスにマッチし、CoMemNNの堅牢性を示します。

関連論文リスト

• Simultaneous Unlearning of Multiple Protected User Attributes From Variational Autoencoder Recommenders Using Adversarial Training [8.272412404173954]
  本稿では,複数の保護属性を同時に学習して,人口統計学的グループ間の公平性を向上することを目的としたAdvXMultVAEを提案する。 LFM-2b-100k と Ml-1m の2つのデータセットに対する実験により,本手法は特異除去法よりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-10-28T12:36:00Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• Personalized Federated Collaborative Filtering: A Variational AutoEncoder Approach [49.63614966954833]
  Federated Collaborative Filtering (FedCF)は、プライバシを保護する新しいレコメンデーションフレームワークの開発に焦点を当てた新興分野である。 本稿では,ユーザのパーソナライズされた情報を潜在変数とニューラルモデルに同時に保存することで,新たなパーソナライズされたFedCF手法を提案する。 提案フレームワークを効果的に学習するために,ユーザインタラクションベクトル再構成と欠落した値予測を統合することで,特殊変分オートエンコーダ(VAE)タスクとして問題をモデル化する。
  論文  参考訳（メタデータ） (2024-08-16T05:49:14Z)
• Prompt Tuning as User Inherent Profile Inference Machine [53.78398656789463]
  本稿では,ユーザプロファイルの推測にプロンプトチューニングを用いるUserIP-Tuningを提案する。 プロファイル量子化コードブックは、プロファイル埋め込みによるモダリティギャップを協調IDにブリッジする。 4つの公開データセットの実験では、UserIP-Tuningは最先端のレコメンデーションアルゴリズムを上回っている。
  論文  参考訳（メタデータ） (2024-08-13T02:25:46Z)
• Understanding the Role of User Profile in the Personalization of Large Language Models [19.74964898049076]
  本研究はまず,ユーザプロファイルの有効性が主に意味情報よりもパーソナライズ情報によるものであることを確認した。 ユーザプロファイル内では、LLMをパーソナライズする上で重要な役割を果たすユーザによって作成された、あるいは承認された歴史的なパーソナライズされた応答である。 本研究は,LLMのパーソナライズにおけるユーザプロファイルの役割を明らかにし,ユーザプロファイルの導入がパフォーマンスに与える影響を明らかにした。
  論文  参考訳（メタデータ） (2024-06-22T14:32:35Z)
• Persona-DB: Efficient Large Language Model Personalization for Response Prediction with Collaborative Data Refinement [79.2400720115588]
  本稿では,タスクコンテキスト間の一般化を改善するための階層的な構築プロセスからなる,シンプルで効果的なフレームワークであるPersona-DBを紹介する。 応答予測の評価において,Persona-DB は精度を著しく低減した検索サイズで維持する上で,より優れたコンテキスト効率を示す。 我々の実験は、ユーザーが極めて少ないデータを持つ場合、コールドスタートシナリオで10%以上の顕著な改善が示されていることも示している。
  論文  参考訳（メタデータ） (2024-02-16T20:20:43Z)
• FedDMF: Privacy-Preserving User Attribute Prediction using Deep Matrix Factorization [1.9181612035055007]
  本稿では,ユーザマッチングを必要とせず,ユーザの属性を予測する新しいアルゴリズムを提案する。 我々のアプローチは、異なるクライアント上で深い行列分解モデルを訓練し、属性項目ベクトルのみを共有することである。 これにより、ユーザベクトル自体を共有することなく、ユーザ属性を予測できます。
  論文  参考訳（メタデータ） (2023-12-24T06:49:00Z)
• Personalizing Task-oriented Dialog Systems via Zero-shot Generalizable Reward Function [19.652303125864204]
  タスク指向対話システムをパーソナライズするための新しいフレームワークであるP-ToDを提案する。 P-ToDは、トレーニング済みのGPT-2をバックボーンモデルとして使用し、3つのフェーズで動作する。 我々の新しい報酬関数は、見当たらないプロファイルであっても生成した応答の質を定量化できる。
  論文  参考訳（メタデータ） (2023-03-24T04:33:40Z)
• Learning Implicit User Profiles for Personalized Retrieval-Based Chatbot [29.053654530024083]
  IMPChatは、ユーザのパーソナライズされた言語スタイルとパーソナライズされた好みを個別にモデリングすることで、暗黙のユーザプロファイルを学習することを目的としている。 ユーザのパーソナライズされた言語スタイルを学習するために,ユーザの過去の応答を利用して,浅い言語から深い言語モデルを構築する。 回答候補をそれぞれパーソナライズされた言語スタイルとパーソナライズされた好みとでマッチングし、2つのマッチング信号を融合して最終的なランキングスコアを決定する。
  論文  参考訳（メタデータ） (2021-08-18T02:07:28Z)
• A Neural Topical Expansion Framework for Unstructured Persona-oriented Dialogue Generation [52.743311026230714]
  Persona Exploration and Exploitation (PEE)は、事前に定義されたユーザペルソナ記述を意味論的に相関したコンテンツで拡張することができる。 PEEはペルソナ探索とペルソナ搾取という2つの主要なモジュールで構成されている。 提案手法は, 自動評価と人的評価の両面で, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-02-06T08:24:33Z)

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。