論文の概要: Improving Response Quality with Backward Reasoning in Open-domain Dialogue Systems

• arxiv url: http://arxiv.org/abs/2105.00079v1
• Date: Fri, 30 Apr 2021 20:38:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 14:08:38.770356
• Title: Improving Response Quality with Backward Reasoning in Open-domain Dialogue Systems
• Title（参考訳）: オープンドメイン対話システムにおける後方推論による応答品質の向上
• Authors: Ziming Li, Julia Kiseleva, Maarten de Rijke
• Abstract要約: 本稿では,バニラエンコーダデコーダトレーニングに後方推論ステップを追加することで,生成モデルを双方向にトレーニングすることを提案する。 提案する後方推論ステップは、モデルがより有益で一貫性のあるコンテンツを生成するように促す。 副次的な情報を導入することなく応答品質を向上させることができる。
• 参考スコア（独自算出の注目度）: 53.160025961101354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Being able to generate informative and coherent dialogue responses is crucial when designing human-like open-domain dialogue systems. Encoder-decoder-based dialogue models tend to produce generic and dull responses during the decoding step because the most predictable response is likely to be a non-informative response instead of the most suitable one. To alleviate this problem, we propose to train the generation model in a bidirectional manner by adding a backward reasoning step to the vanilla encoder-decoder training. The proposed backward reasoning step pushes the model to produce more informative and coherent content because the forward generation step's output is used to infer the dialogue context in the backward direction. The advantage of our method is that the forward generation and backward reasoning steps are trained simultaneously through the use of a latent variable to facilitate bidirectional optimization. Our method can improve response quality without introducing side information (e.g., a pre-trained topic model). The proposed bidirectional response generation method achieves state-of-the-art performance for response quality.
• Abstract（参考訳）: 情報とコヒーレントな対話応答を生成できることは、人間のようなオープンドメイン対話システムを設計する上で重要である。 エンコーダ-デコーダベースの対話モデルは、最も予測可能な応答が最も適切な応答ではなく非インフォーマティブ応答である可能性が高いため、デコードステップ中に汎用的かつ鈍い応答を生成する傾向がある。 この問題を軽減するために,バニラエンコーダデコーダトレーニングに後方推論ステップを追加することにより,生成モデルを双方向にトレーニングすることを提案する。 提案した後進推論ステップは、前進生成ステップの出力を使用して、後進方向の対話コンテキストを推論するため、より情報的で一貫性のあるコンテンツを生成するためにモデルをプッシュする。 提案手法の利点は,双方向最適化を容易にするために潜在変数を用いることで,前向きと後向きの推論ステップを同時に訓練することである。 副次的な情報(事前学習したトピックモデルなど)を導入することなく応答品質を向上させることができる。 提案する双方向応答生成手法は,応答品質の最先端性能を実現する。

関連論文リスト

• A Stack-Propagation Framework for Low-Resource Personalized Dialogue Generation [29.348053519918928]
  対話生成および理解パイプラインを学習するための新しいスタックプロパゲーションフレームワークを提案する。 提案するフレームワークは、より小さなパーソナライズされた対話データから学ぶための、スタック化されたエンコーダとデコーダの恩恵を受けることができる。
  論文  参考訳（メタデータ） (2024-10-26T13:09:21Z)
• PICK: Polished & Informed Candidate Scoring for Knowledge-Grounded Dialogue Systems [59.1250765143521]
  現在の知識接地対話システムは、生成された応答を人間に好まれる品質に合わせるのに失敗することが多い。 我々は,世代別再描画フレームワークであるPolseed & Informed Candidate Scoring (PICK)を提案する。 対話履歴に関連性を維持しつつ,より忠実な応答を生成するためのPICKの有効性を示す。
  論文  参考訳（メタデータ） (2023-09-19T08:27:09Z)
• Promoting Open-domain Dialogue Generation through Learning Pattern Information between Contexts and Responses [5.936682548344234]
  本稿では,学習サンプルの文脈と応答の間の暗黙的なパターン情報を学ぶことにより,生成した応答の品質を向上させる。 また、文脈と応答間の暗黙的パターン情報をマイニングする応答認識機構を設計し、生成した応答をより多様でヒトの応答に近似するようにした。
  論文  参考訳（メタデータ） (2023-09-06T08:11:39Z)
• Diverse and Faithful Knowledge-Grounded Dialogue Generation via Sequential Posterior Inference [82.28542500317445]
  本稿では,知識の選択と対話生成が可能な,逐次後推論(Sequential Posterior Inference, SPI)と呼ばれるエンドツーエンド学習フレームワークを提案する。 他の方法とは異なり、SPIは推論ネットワークを必要とせず、後部分布の単純な幾何学を仮定する。
  論文  参考訳（メタデータ） (2023-06-01T21:23:13Z)
• EM Pre-training for Multi-party Dialogue Response Generation [86.25289241604199]
  多人数対話では、応答発話の宛先を生成前に指定する必要がある。 本稿では,アドレナラベルを生成するための期待ステップを反復的に実行する期待最大化(EM)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-21T09:22:41Z)
• DialogVED: A Pre-trained Latent Variable Encoder-Decoder Model for Dialog Response Generation [80.45816053153722]
  DialogVEDは、拡張エンコーダデコーダ事前トレーニングフレームワークに連続潜伏変数を導入し、応答の関連性と多様性を高める。 我々は,PersonaChat,DailyDialog,DSTC7-AVSDベンチマークを用いて応答生成実験を行った。
  論文  参考訳（メタデータ） (2022-04-27T16:18:15Z)
• Achieving Conversational Goals with Unsupervised Post-hoc Knowledge Injection [37.15893335147598]
  現在のニューラルダイアログモデルの制限は、生成された応答における特異性と情報性の欠如に悩まされる傾向があることである。 本稿では,対話履歴と既存の対話モデルから初期応答の両方を条件とした,多様な知識スニペットの集合を検索する,ポストホックな知識注入手法を提案する。 我々は,各検索したスニペットを,勾配に基づく復号法を用いて初期応答に個別に注入し,教師なしランキングステップで最終応答を選択する複数の候補応答を構築する。
  論文  参考訳（メタデータ） (2022-03-22T00:42:27Z)
• A Speaker-aware Parallel Hierarchical Attentive Encoder-Decoder Model for Multi-turn Dialogue Generation [13.820298189734686]
  本稿では,マルチターン会話における話者の区別を強調するオープンドメイン対話生成モデルを提案する。 実験の結果,PHAEDは自動評価と人的評価の両面で最先端の成績を示した。
  論文  参考訳（メタデータ） (2021-10-13T16:08:29Z)
• Reasoning in Dialog: Improving Response Generation by Context Reading Comprehension [49.92173751203827]
  マルチターンダイアログでは、発話が文の完全な形を取るとは限らない。 読み解きの質問に答えるモデルの能力を検討し、応答生成性能の向上を提案する。
  論文  参考訳（メタデータ） (2020-12-14T10:58:01Z)
• Posterior-GAN: Towards Informative and Coherent Response Generation with Posterior Generative Adversarial Network [38.576579498740244]
  我々は,新しいエンコーダデコーダに基づく生成逆学習フレームワーク,Posterior Generative Adversarial Network (Posterior-GAN)を提案する。 実験結果から,本手法は自動評価と人的評価の両方において,生成した応答の情報性とコヒーレンスを効果的に向上させることが示された。
  論文  参考訳（メタデータ） (2020-03-04T11:57:53Z)

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。