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
- Persona-DB: Efficient Large Language Model Personalization for Response
Prediction with Collaborative Data Refinement [82.56964750522161]
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,階層的な構築プロセスからなるシンプルなフレームワークであるPersona-DBを紹介する。
応答予測のタスクでは,Persona-DBは,検索サイズを大幅に削減した精度を維持する上で,優れた効率性を示す。
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15%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) - Eliciting User Preferences for Personalized Multi-Objective Decision
Making through Comparative Feedback [76.7007545844273]
目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。
我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。
少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-07T23:58:19Z) - Less is More: Learning to Refine Dialogue History for Personalized
Dialogue Generation [57.73547958927826]
我々は,対話履歴をより多く処理し,より正確なペルソナ情報を得ることのできる,ユーザ対話履歴を大規模に洗練することを提案する。
具体的には、3つの個人情報精算器とパーソナライズされた応答生成器で構成されるMSPモデルを設計する。
論文 参考訳(メタデータ) (2022-04-18T02:02:56Z) - One Chatbot Per Person: Creating Personalized Chatbots based on Implicit
User Profiles [31.432585994256375]
既存のパーソナライズされたアプローチは、いくつかのテキスト記述を明示的なユーザプロファイルとして組み込もうとした。
我々は、ユーザの履歴応答から一般ユーザプロファイルを構築するために、パーソナライズされた言語モデルを訓練する。
我々は、汎用語彙から単語を生成し、ユーザのパーソナライズされた語彙から1単語をコピーする2つのデコード戦略を融合するパーソナライズされたデコーダを設計する。
論文 参考訳(メタデータ) (2021-08-20T20:33:12Z) - 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) - Partner Matters! An Empirical Study on Fusing Personas for Personalized
Response Selection in Retrieval-Based Chatbots [51.091235903442715]
本稿では,自己とパートナーの話者が応答選択の課題に与える影響について検討する。
4つのペルソナ融合戦略が設計されており、異なる方法でペルソナがコンテキストや応答と相互作用することを前提としている。
Persona-Chatデータセットに関する実証研究は、パートナーペルソナが応答選択の精度を向上させることができることを示している。
論文 参考訳(メタデータ) (2021-05-19T10:32:30Z) - Reinforced Imitative Graph Representation Learning for Mobile User
Profiling: An Adversarial Training Perspective [21.829562421373712]
ヒトモビリティモデリングパイプラインにおけるユーザの特性を定量化するための重要なコンポーネントであるモバイルユーザプロファイリングの問題について検討する。
強化学習を活用した模倣型モバイルユーザプロファイリングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-07T17:10:00Z) - 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。