論文の概要: Comprehensive Study: How the Context Information of Different
Granularity Affects Dialogue State Tracking?
- arxiv url: http://arxiv.org/abs/2105.03571v1
- Date: Sat, 8 May 2021 03:18:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 15:04:12.030949
- Title: Comprehensive Study: How the Context Information of Different
Granularity Affects Dialogue State Tracking?
- Title（参考訳）: 包括的研究 : 粒度の異なる文脈情報が対話状態追跡に与える影響について
- Authors: Puhai Yang and Heyan Huang and Xian-Ling Mao
- Abstract要約: 対話状態追跡(DST)は、ユーザの目標を監視するためにタスク指向の対話システムにおいて重要な役割を果たす。
一般的に、対話状態の追跡には2つの戦略がある: スクラッチから予測し、それ以前の状態から更新する。
- 参考スコア（独自算出の注目度）: 17.476030563395714
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dialogue state tracking (DST) plays a key role in task-oriented dialogue
systems to monitor the user's goal. In general, there are two strategies to
track a dialogue state: predicting it from scratch and updating it from
previous state. The scratch-based strategy obtains each slot value by inquiring
all the dialogue history, and the previous-based strategy relies on the current
turn dialogue to update the previous dialogue state. However, it is hard for
the scratch-based strategy to correctly track short-dependency dialogue state
because of noise; meanwhile, the previous-based strategy is not very useful for
long-dependency dialogue state tracking. Obviously, it plays different roles
for the context information of different granularity to track different kinds
of dialogue states. Thus, in this paper, we will study and discuss how the
context information of different granularity affects dialogue state tracking.
First, we explore how greatly different granularities affect dialogue state
tracking. Then, we further discuss how to combine multiple granularities for
dialogue state tracking. Finally, we apply the findings about context
granularity to few-shot learning scenario. Besides, we have publicly released
all codes\footnote{\url{https://anonymous}}.
- Abstract（参考訳）: 対話状態追跡(DST)は、ユーザの目標を監視するためにタスク指向の対話システムにおいて重要な役割を果たす。
一般的に、対話状態の追跡には2つの戦略がある: スクラッチから予測し、それ以前の状態から更新する。
スクラッチベースの戦略は、すべての対話履歴を問い合わせて各スロット値を取得し、前回の戦略は、前の対話状態を更新するために現在のターンダイアログに依存する。
しかし、ノイズのため、スクラッチベースの戦略が短距離対話状態を正しく追跡することは困難であり、一方、従来の戦略は長距離対話状態追跡にはあまり役に立たない。
明らかに、異なる粒度のコンテキスト情報に対して異なる役割を演じ、異なる種類の対話状態を追跡する。
そこで,本稿では,粒度の異なるコンテキスト情報が対話状態追跡に与える影響について検討し,議論する。
まず,粒度の違いが対話状態の追跡に与える影響について検討する。
さらに,対話状態追跡に複数の粒度を組み合わせる方法について検討する。
最後に,文脈の粒度に関する知見を少数ショット学習シナリオに適用する。
さらに、私たちはすべてのコード \footnote{\url{https://anonymous}} を公開しました。
関連論文リスト
- Enhancing Visual Dialog State Tracking through Iterative Object-Entity Alignment in Multi-Round Conversations [3.784841749866846]
MDST(Multi-round Dialogue State Tracking Model)を導入する。
MDSTは、内的対話状態表現を視覚言語表現の2-タプルとして定義し、各ラウンドの対話履歴をキャプチャする。
VisDial v1.0データセットの実験結果は、MDSTが生成環境において新しい最先端性能を達成することを示した。
論文 参考訳（メタデータ） (2024-08-13T08:36:15Z) - FCC: Fusing Conversation History and Candidate Provenance for Contextual
Response Ranking in Dialogue Systems [53.89014188309486]
複数のチャネルからコンテキスト情報を統合できるフレキシブルなニューラルネットワークフレームワークを提案する。
会話応答ランキングタスクの評価に広く用いられているMSDialogデータセット上で,本モデルの評価を行った。
論文 参考訳（メタデータ） (2023-03-31T23:58:28Z) - Multimodal Dialogue State Tracking [97.25466640240619]
Video-Dialogue Transformer Network (VDTN)は、ビデオと対話の間のコンテキスト依存を学習し、マルチモーダル対話状態を生成する。
VDTNは、オブジェクトレベルの特徴とセグメントレベルの特徴を組み合わせて、ビデオと対話の間のコンテキスト依存を学び、マルチモーダルな対話状態を生成する。
論文 参考訳（メタデータ） (2022-06-16T03:18:42Z) - Beyond the Granularity: Multi-Perspective Dialogue Collaborative
Selection for Dialogue State Tracking [18.172993687706708]
対話状態追跡においては、対話履歴は重要な材料であり、その利用法は異なるモデルによって異なる。
状態更新のために各スロットに対応する対話内容を動的に選択するDiCoS-DSTを提案する。
提案手法は,MultiWOZ 2.1およびMultiWOZ 2.2上での最先端性能を実現し,複数の主流ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2022-05-20T10:08:45Z) - HybriDialogue: An Information-Seeking Dialogue Dataset Grounded on
Tabular and Textual Data [87.67278915655712]
我々は、ウィキペディアのテキストとテーブルの両方を基盤とした、クラウドソーシングされた自然な会話からなる新しい対話データセットHybriDialogueを提示する。
これらの会話は、複雑なマルチホップ質問をシンプルで現実的なマルチターン対話に分解することで生成される。
論文 参考訳（メタデータ） (2022-04-28T00:52:16Z) - In-Context Learning for Few-Shot Dialogue State Tracking [55.91832381893181]
In-context (IC) Learning framework for few-shot dialogue state tracking (DST)を提案する。
大規模な事前訓練言語モデル(LM)は、テストインスタンスといくつかの注釈付き例を入力として取り、パラメータの更新なしに直接対話状態をデコードする。
これにより、LMは、新しいドメインやシナリオに適応する際の、以前の数ショットのDST作業と比べて、より柔軟でスケーラブルになります。
論文 参考訳（メタデータ） (2022-03-16T11:58:24Z) - Dialogue Summaries as Dialogue States (DS2), Template-Guided
Summarization for Few-shot Dialogue State Tracking [16.07100713414678]
DST(Few-shot dialogue state tracking)は、この問題に対する現実的な解決策である。
本稿では,対話状態追跡を対話要約問題として再検討する。
論文 参考訳（メタデータ） (2022-03-03T07:54:09Z) - Domain State Tracking for a Simplified Dialogue System [3.962145079528281]
対話履歴全体ではなく,入力コンテキストを簡略化したタスク指向対話システムであるdotsを提案する。
DoTSは、MultiWOZの以前の最先端モデルと比較して、それぞれ1.09ポイントと1.24ポイントのインフォメーションレートと成功率を改善する。
論文 参考訳（メタデータ） (2021-03-11T13:00:54Z) - 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) - Rethinking Dialogue State Tracking with Reasoning [76.0991910623001]
本稿では, 対話状態の段階的追跡を, バックエンドデータの助けを借りて行うことを提案する。
実験の結果,MultiWOZ 2.1の連立信条精度は38.6%向上した。
論文 参考訳（メタデータ） (2020-05-27T02:05:33Z)
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。