論文の概要: Evaluate On-the-job Learning Dialogue Systems and a Case Study for
Natural Language Understanding
- arxiv url: http://arxiv.org/abs/2102.13589v1
- Date: Fri, 26 Feb 2021 16:54:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-01 21:17:55.194881
- Title: Evaluate On-the-job Learning Dialogue Systems and a Case Study for
Natural Language Understanding
- Title(参考訳): オン・ザ・ジョブ学習対話システムの評価と自然言語理解の事例研究
- Authors: Mathilde Veron, Sophie Rosset, Olivier Galibert, Guillaume Bernard
- Abstract要約: 本研究は,実地学習対話システムを評価するための最初の一般的な手法を提案する。
タスク指向対話システムについて説明し,ユーザインタラクションを通じてジョブの自然言語コンポーネントを改善する。
- 参考スコア(独自算出の注目度): 3.557633666039596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: On-the-job learning consists in continuously learning while being used in
production, in an open environment, meaning that the system has to deal on its
own with situations and elements never seen before. The kind of systems that
seem to be especially adapted to on-the-job learning are dialogue systems,
since they can take advantage of their interactions with users to collect
feedback to adapt and improve their components over time. Some dialogue systems
performing on-the-job learning have been built and evaluated but no general
methodology has yet been defined. Thus in this paper, we propose a first
general methodology for evaluating on-the-job learning dialogue systems. We
also describe a task-oriented dialogue system which improves on-the-job its
natural language component through its user interactions. We finally evaluate
our system with the described methodology.
- Abstract(参考訳): オン・ザ・ジョブ・ラーニングは、プロダクションで、オープンな環境で使用しながら継続的に学習することで構成されます。つまり、システムはこれまでにない状況や要素を自分で処理する必要があります。
オンザジョブ学習に特に適応しているように見えるシステムは対話システムであり、ユーザとのインタラクションを利用してフィードバックを収集し、時間とともにコンポーネントを適応し改善することができる。
オンザジョブ学習を行う対話システムは構築され評価されているが、一般的な方法論はまだ定義されていない。
そこで,本論文では,学習対話システムを評価するための最初の一般的な手法を提案する。
また,タスク指向対話システムについて記述し,ユーザインタラクションによる自然言語コンポーネントの改善について述べる。
最終的に,提案手法を用いてシステム評価を行った。
関連論文リスト
- Task-Oriented Dialogue with In-Context Learning [0.0]
本稿では、大規模言語モデル(LLM)の文脈内学習能力と、ビジネスロジックの決定論的実行を組み合わせたタスク指向対話システムを構築するシステムについて述べる。
LLMは、会話の表面形式とビジネスロジックの進行に使用されるドメイン固有言語の間の翻訳に使用される。
論文 参考訳(メタデータ) (2024-02-19T15:43:35Z) - User Adaptive Language Learning Chatbots with a Curriculum [55.63893493019025]
語彙的に制約されたデコーディングをダイアログシステムに適用し、ダイアログシステムに対して、その生成した発話にカリキュラムに準拠した単語やフレーズを含めるよう促す。
評価の結果,カリキュラム注入によるダイアログシステムにより,対象語に対する生徒の理解が向上し,英語実践への関心が高まることが示された。
論文 参考訳(メタデータ) (2023-04-11T20:41:41Z) - PK-Chat: Pointer Network Guided Knowledge Driven Generative Dialogue
Model [79.64376762489164]
PK-Chatは、知識グラフ上のポインタネットワークと、事前訓練された言語モデルを組み合わせた、ポインタネットワーク誘導生成対話モデルである。
PK-Chatが対話で生成した単語は、単語リストの予測と外部知識グラフ知識の直接予測から導かれる。
PK-Chatに基づく対話システムは、地球科学の学術シナリオ向けに構築されている。
論文 参考訳(メタデータ) (2023-04-02T18:23:13Z) - Helpfulness and Fairness of Task-Oriented Dialogue Systems [35.135740285082356]
本研究では,目標指向対話システムの有用性の計算量について検討する。
本稿では,対話システムの妥当性を測定するために,対話システムの利便性レベルを異なるユーザクエリに適用することを提案する。
論文 参考訳(メタデータ) (2022-05-25T07:58:38Z) - A Review of Dialogue Systems: From Trained Monkeys to Stochastic Parrots [0.0]
人工知能をデプロイして、人間と会話できる自動対話エージェントを構築することを目指している。
本稿では,長年にわたって対話システムを構築するために開発された手法について概説する。
論文 参考訳(メタデータ) (2021-11-02T08:07:55Z) - Advances in Multi-turn Dialogue Comprehension: A Survey [51.215629336320305]
自然言語を理解し、人間と対話するための訓練機械は、人工知能の解明と本質的なタスクである。
本稿では,対話理解タスクにおける対話モデリングの技術的視点から,過去の手法を概観する。
さらに,対話シナリオにおけるPrLMの強化に使用される対話関連事前学習手法を分類する。
論文 参考訳(メタデータ) (2021-10-11T03:52:37Z) - Advances in Multi-turn Dialogue Comprehension: A Survey [51.215629336320305]
対話モデリングの観点から,従来の手法を検討した。
対話理解タスクで広く使用されている対話モデリングの3つの典型的なパターンについて議論します。
論文 参考訳(メタデータ) (2021-03-04T15:50:17Z) - Continual Learning in Task-Oriented Dialogue Systems [49.35627673523519]
タスク指向対話システムにおける継続的な学習は、システム全体のリトレーニングのコストを伴わずに、時間を通じて新しいドメインや機能を追加できる。
37ドメインのタスク指向対話システムを4つの設定で継続的に学習するための継続的学習ベンチマークを提案する。
論文 参考訳(メタデータ) (2020-12-31T08:44:25Z) - Dialog as a Vehicle for Lifelong Learning [24.420113907842147]
本稿では,生涯学習が可能な対話システムを設計する際の問題点について述べる。
この方向への先行作業の例を含み、対処すべき課題について議論する。
論文 参考訳(メタデータ) (2020-06-26T03:08:33Z) - Is Your Goal-Oriented Dialog Model Performing Really Well? Empirical
Analysis of System-wise Evaluation [114.48767388174218]
本稿では,異なる設定の異なるモジュールから構成される異なるダイアログシステムについて,実験的検討を行った。
この結果から, 粗粒度ラベルで学習した連系や終端モデルを用いたシステムよりも, 細粒度監視信号を用いて訓練したパイプラインダイアログシステムの方が, 高い性能が得られることが示唆された。
論文 参考訳(メタデータ) (2020-05-15T05:20:06Z)
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。