論文の概要: Cascaded Span Extraction and Response Generation for Document-Grounded Dialog

• arxiv url: http://arxiv.org/abs/2106.07275v1
• Date: Mon, 14 Jun 2021 10:04:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 16:39:26.242134
• Title: Cascaded Span Extraction and Response Generation for Document-Grounded Dialog
• Title（参考訳）: 文書接地ダイアログのカスケードスパン抽出と応答生成
• Authors: Nico Daheim, David Thulke, Christian Dugast, Hermann Ney
• Abstract要約: 本稿では、最初のDialDoc共有タスクの2つのサブタスクに、私たちのエントリを要約する。 タスクは2つのサブタスクに分けられる: エージェントのターンをグラウンドするドキュメント内のスパンを予測し、ダイアログとグラウンド化ドキュメントに基づいてエージェントのレスポンスを生成する。 これらの手法により,ベースラインと比較して,両サブタスクの大幅な改善が得られた。
• 参考スコア（独自算出の注目度）: 46.93744191416991
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper summarizes our entries to both subtasks of the first DialDoc shared task which focuses on the agent response prediction task in goal-oriented document-grounded dialogs. The task is split into two subtasks: predicting a span in a document that grounds an agent turn and generating an agent response based on a dialog and grounding document. In the first subtask, we restrict the set of valid spans to the ones defined in the dataset, use a biaffine classifier to model spans, and finally use an ensemble of different models. For the second subtask, we use a cascaded model which grounds the response prediction on the predicted span instead of the full document. With these approaches, we obtain significant improvements in both subtasks compared to the baseline.
• Abstract（参考訳）: 本稿では,目標指向文書グラウンデッドダイアログにおけるエージェント応答予測タスクに着目した最初のdiarddoc共有タスクの2つのサブタスクへのエントリを要約する。 タスクは2つのサブタスクに分割される: エージェントのターンを根拠とするドキュメントのスパンを予測し、ダイアログとグラウンドングドキュメントに基づいてエージェント応答を生成する。 最初のサブタスクでは、データセットで定義されたものに有効なスパンのセットを制限し、モデルスパンにバイアフィン分類器を使用し、最終的に異なるモデルのアンサンブルを使用する。 第2のサブタスクでは、完全なドキュメントではなく、予測されたスパンに応答予測を基礎付けるカスケードモデルを用いる。 これらの手法により,ベースラインと比較して両サブタスクに大きな改善が得られた。

関連論文リスト

• The Power of Summary-Source Alignments [62.76959473193149]
  多文書要約(MDS)は難しい課題であり、しばしばサリエンスと冗長性検出のサブタスクに分解される。 参照要約とそのソース文書間の対応する文のアライメントを利用して、トレーニングデータを生成する。 本稿では,よりきめ細かな提案スパンレベルで適用することで,要約ソースアライメントフレームワークを拡張することを提案する。
  論文  参考訳（メタデータ） (2024-06-02T19:35:19Z)
• DLAFormer: An End-to-End Transformer For Document Layout Analysis [7.057192434574117]
  DLAFormerと呼ばれる文書レイアウト解析のためのエンド・ツー・エンド・トランスフォーマー方式を提案する。 各種DLAサブタスクを関係予測問題として扱い、これらの関係予測ラベルを統一ラベル空間に統合する。 本稿では,DeTRにおけるコンテンツクエリの物理的意味を高めるために,新しいタイプのクエリセットを提案する。
  論文  参考訳（メタデータ） (2024-05-20T03:34:24Z)
• Towards End-to-End Open Conversational Machine Reading [57.18251784418258]
  オープン検索型会話機械読解(OR-CMR)タスクでは,機械は対話履歴とテキスト知識ベースに応答するマルチターン質問を行う必要がある。 OR-CMRを完全エンドツーエンドで統一されたテキスト・ツー・テキスト・タスクとしてモデル化し、ShARCおよびOR-ShARCデータセットを用いた実験により、提案したエンドツーエンド・フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-13T15:50:44Z)
• Manual-Guided Dialogue for Flexible Conversational Agents [84.46598430403886]
  対話データを効率的に構築し、利用する方法や、さまざまなドメインにモデルを大規模にデプロイする方法は、タスク指向の対話システムを構築する上で重要な問題である。 エージェントは対話とマニュアルの両方からタスクを学習する。 提案手法は,詳細なドメインオントロジーに対する対話モデルの依存性を低減し,様々なドメインへの適応をより柔軟にする。
  論文  参考訳（メタデータ） (2022-08-16T08:21:12Z)
• CookDial: A dataset for task-oriented dialogs grounded in procedural documents [21.431615439267734]
  本研究は、手続き的知識理解を伴うタスク指向対話システムの研究を容易にする新しいダイアログデータセットであるCookDialを提案する。 コーパスは、260人の人対人タスク指向のダイアログを含み、エージェントがレシピドキュメントを与えられた場合、ユーザが料理を調理するように誘導する。 CookDialのダイアログには、 (i) ダイアログフローとサポートドキュメントの間の手続き的アライメント、 (ii) 長い文のセグメンテーション、ハードインストラクションのパラフレーズ化、およびダイアログコンテキストにおけるコア推論の解決を含む複雑なエージェント決定の2つの特徴がある。
  論文  参考訳（メタデータ） (2022-06-17T12:23:53Z)
• UniGDD: A Unified Generative Framework for Goal-Oriented Document-Grounded Dialogue [36.3037966016752]
  目標指向の文書接地対話は,対話コンテキストと支援文書に基づいてユーザクエリに応答することを目的としている。 既存の研究では、知識識別と応答生成という2つのサブタスクに分解することでこの問題に対処している。 本稿では,これらの2つのサブタスクを,基礎知識と応答を逐次生成することで統一することを提案する。
  論文  参考訳（メタデータ） (2022-04-16T10:01:38Z)
• Improving Multi-task Generalization Ability for Neural Text Matching via Prompt Learning [54.66399120084227]
  最近の最先端のニューラルテキストマッチングモデル(PLM)は、様々なタスクに一般化することが難しい。 我々は、特殊化一般化訓練戦略を採用し、それをMatch-Promptと呼ぶ。 特殊化段階では、異なるマッチングタスクの記述はいくつかのプロンプトトークンにマッピングされる。 一般化段階において、テキストマッチングモデルは、多種多様なマッチングタスクを訓練することにより、本質的なマッチング信号を探索する。
  論文  参考訳（メタデータ） (2022-04-06T11:01:08Z)
• Retrieve-and-Fill for Scenario-based Task-Oriented Semantic Parsing [110.4684789199555]
  シナリオベースのセマンティックパーシングを導入し、最初に発話の「scenario」を曖昧にする必要がある元のタスクの変種を紹介します。 この定式化により、タスクの粗くきめ細かな側面を分離することが可能となり、それぞれがオフザシェルフニューラルネットワークモジュールで解決される。 私たちのモデルはモジュール化され、差別化可能で、解釈可能で、シナリオから余分な監督を得られるようになります。
  論文  参考訳（メタデータ） (2022-02-02T08:00:21Z)

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。