論文の概要: POSLAN: Disentangling Chat with Positional and Language encoded Post Embeddings

• arxiv url: http://arxiv.org/abs/2107.03529v1
• Date: Wed, 7 Jul 2021 23:32:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-09 13:38:38.413304
• Title: POSLAN: Disentangling Chat with Positional and Language encoded Post Embeddings
• Title（参考訳）: POSLAN: ポスト埋め込みをエンコードした位置と言語でチャットを遠ざける
• Authors: Bhashithe Abeysinghe, Dhara Shah, Chris Freas, Robert Harrison, Rajshekhar Sunderraman
• Abstract要約: スレッド内のポストに対するベクトル埋め込みを作成し、あるメッセージがどこにあるかというコンテキストに関して言語的特徴と位置的特徴の両方をキャプチャする。 これらの埋め込みをポストに使用して、類似性に基づく接続行列を計算し、グラフに変換する。 結果のグラフは、スレッド内のポストに対する応答関係を発見するために使用することができる。
• 参考スコア（独自算出の注目度）: 1.4699455652461724
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Most online message threads inherently will be cluttered and any new user or an existing user visiting after a hiatus will have a difficult time understanding whats being discussed in the thread. Similarly cluttered responses in a message thread makes analyzing the messages a difficult problem. The need for disentangling the clutter is much higher when the platform where the discussion is taking place does not provide functions to retrieve reply relations of the messages. This introduces an interesting problem to which \cite{wang2011learning} phrases as a structural learning problem. We create vector embeddings for posts in a thread so that it captures both linguistic and positional features in relation to a context of where a given message is in. Using these embeddings for posts we compute a similarity based connectivity matrix which then converted into a graph. After employing a pruning mechanisms the resultant graph can be used to discover the reply relation for the posts in the thread. The process of discovering or disentangling chat is kept as an unsupervised mechanism. We present our experimental results on a data set obtained from Telegram with limited meta data.
• Abstract（参考訳）: ほとんどのオンラインメッセージスレッドは本質的にごちゃごちゃになり、新しいユーザや、中断後の既存ユーザであれば、スレッドで議論されているものを理解するのに苦労するでしょう。 同様に、メッセージスレッドの応答を散らかすと、メッセージの解析が難しい問題になる。 議論が行われているプラットフォームがメッセージの返信関係を検索する機能を提供していない場合、クラッタをアンタングする必要性ははるかに高くなる。 これは、構造的な学習問題として \cite{wang2011learning} 句が使われるという興味深い問題をもたらす。 スレッド内のポストに対するベクトル埋め込みを作成し、あるメッセージがどこにあるかというコンテキストに関して言語的特徴と位置的特徴の両方をキャプチャする。 これらの埋め込みをポストに使用して、類似性に基づく接続行列を計算し、グラフに変換する。 プルーニング機構を使用すると、結果グラフを使用してスレッド内のポストの応答関係を検出することができる。 チャットの発見または分離のプロセスは教師なしのメカニズムとして保持される。 メタデータに制限のあるTelegramから得られたデータセットについて実験結果を示す。

関連論文リスト

• Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
  我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。 提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
  論文  参考訳（メタデータ） (2024-06-14T13:28:03Z)
• GASCOM: Graph-based Attentive Semantic Context Modeling for Online Conversation Understanding [4.9711707739781215]
  本稿では,オンライン会話理解のためのグラフベースの意味意味テキストモデリング(GASCOM)フレームワークを提案する。 具体的には、オンライン会話のグラフ構造と、個々の投稿のセマンティック情報の両方を利用する2つの新しいアルゴリズムを設計する。 提案手法は,両タスクの最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-10-21T14:45:26Z)
• Phrase Retrieval for Open-Domain Conversational Question Answering with Conversational Dependency Modeling via Contrastive Learning [54.55643652781891]
  Open-Domain Conversational Question Answering (ODConvQA)は、マルチターン会話を通じて質問に答えることを目的としている。 そこで本研究では,単語列に対する句検索方式を用いて,回答を直接予測する手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T09:46:38Z)
• Uncovering the Potential of ChatGPT for Discourse Analysis in Dialogue: An Empirical Study [51.079100495163736]
  本稿では、トピックセグメンテーションと談話解析という2つの談話分析タスクにおけるChatGPTの性能を体系的に検証する。 ChatGPTは、一般的なドメイン間会話においてトピック構造を特定する能力を示すが、特定のドメイン間会話ではかなり困難である。 我々のより深い調査は、ChatGPTは人間のアノテーションよりも合理的なトピック構造を提供するが、階層的なレトリック構造を線形に解析することしかできないことを示唆している。
  論文  参考訳（メタデータ） (2023-05-15T07:14:41Z)
• Semantic Parsing for Conversational Question Answering over Knowledge Graphs [63.939700311269156]
  本研究では,ユーザの質問にSparqlパースとアノテートし,システム回答が実行結果に対応するデータセットを開発する。 本稿では,2つの意味解析手法を提案し,その課題を強調した。 私たちのデータセットとモデルはhttps://github.com/Edinburgh/SPICE.orgで公開されています。
  論文  参考訳（メタデータ） (2023-01-28T14:45:11Z)
• AutoReply: Detecting Nonsense in Dialogue Introspectively with Discriminative Replies [71.62832112141913]
  対話モデルは、不適切なメッセージを示す応答の確率を計算し、内観的に自分のメッセージの誤りを検出することができることを示す。 まず、手作りの返信は外交と同じくらい複雑なアプリケーションにおけるナンセンスを検出するタスクに有効であることを示す。 AutoReplyの生成した応答は手作りの応答よりも優れており、慎重に調整された大規模な教師付きモデルと同等に動作することがわかった。
  論文  参考訳（メタデータ） (2022-11-22T22:31:34Z)
• A Graph-Based Context-Aware Model to Understand Online Conversations [3.8345539498627437]
  オンライン会話では、コメントや返信は、すぐに関連する情報以外の外部のコンテキストに基づいている可能性がある。 グラフウォークを用いて会話のより広いコンテキストを組み込む新しいグラフベースのディープラーニングアーキテクチャであるGraphNLIを提案する。 極性予測と擬似的ヘイトスピーチ検出という2つのタスクでGraphNLIを評価する。
  論文  参考訳（メタデータ） (2022-11-16T20:51:45Z)
• Disentangling Online Chats with DAG-Structured LSTMs [55.33014148383343]
  DAG-LSTMはTree-LSTMの一般化であり、間接的な非循環的依存関係を処理できる。 提案する新モデルでは,リプライ・トゥ・リレーション(Repend-to-Relation)を回復する作業において,アート・ステータスの状態を達成できることが示される。
  論文  参考訳（メタデータ） (2021-06-16T18:00:00Z)
• Online Conversation Disentanglement with Pointer Networks [13.063606578730449]
  本稿では,会話の絡み合わせのためのエンドツーエンドのオンラインフレームワークを提案する。 我々は、タイムスタンプ、話者、メッセージテキストを含む全発話を埋め込む新しい手法を設計する。 Ubuntu IRCデータセットを用いた実験により,提案手法はリンクと会話の予測タスクにおいて,最先端のパフォーマンスを実現することを示す。
  論文  参考訳（メタデータ） (2020-10-21T15:43:07Z)

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。