論文の概要: ConQX: Semantic Expansion of Spoken Queries for Intent Detection based
on Conditioned Text Generation
- arxiv url: http://arxiv.org/abs/2109.00729v1
- Date: Thu, 2 Sep 2021 05:57:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-04 00:47:41.200473
- Title: ConQX: Semantic Expansion of Spoken Queries for Intent Detection based
on Conditioned Text Generation
- Title(参考訳): conqx:条件付きテキスト生成に基づく意図検出のための音声クエリの意味拡張
- Authors: Eyup Halit Yilmaz and Cagri Toraman
- Abstract要約: 本稿では,ConQXと呼ばれる音声クエリのセマンティック拡張手法を提案する。
オフトピーテキスト生成を避けるため、インプットクエリを構造化コンテキストに条件付け、即時マイニングを行う。
次に、インテント検出のために、ゼロショット、ワンショット、および少数ショットの学習をBERTとRoBERTaを微調整する。
- 参考スコア(独自算出の注目度): 4.264192013842096
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intent detection of spoken queries is a challenging task due to their noisy
structure and short length. To provide additional information regarding the
query and enhance the performance of intent detection, we propose a method for
semantic expansion of spoken queries, called ConQX, which utilizes the text
generation ability of an auto-regressive language model, GPT-2. To avoid
off-topic text generation, we condition the input query to a structured context
with prompt mining. We then apply zero-shot, one-shot, and few-shot learning.
We lastly use the expanded queries to fine-tune BERT and RoBERTa for intent
detection. The experimental results show that the performance of intent
detection can be improved by our semantic expansion method.
- Abstract(参考訳): 音声クエリの意図検出は、そのノイズ構造と短い長さのため、難しい課題である。
そこで本研究では,自動回帰言語モデルgpt-2のテキスト生成能力を活用した音声クエリの意味拡張手法であるconqxを提案する。
トピック外のテキスト生成を避けるため、入力クエリをプロンプトマイニングによって構造化されたコンテキストに条件付けする。
そしてゼロショット、ワンショット、そして少数ショットの学習を適用します。
最後に、拡張クエリを使用して、インテント検出のためにBERTとRoBERTaを微調整します。
実験結果から,意味展開法により意図検出の性能を向上できることが示唆された。
関連論文リスト
- Answer is All You Need: Instruction-following Text Embedding via
Answering the Question [41.727700155498546]
本稿では、入力テキストに関する質問として命令を扱い、予測された回答を符号化して表現を得る新しい視点を提供する。
具体的には,抽象的質問応答タスクの言語モデルのみを微調整することで,この組込み解答のアイデアをインスタンス化するInBedderを提案する。
論文 参考訳(メタデータ) (2024-02-15T01:02:41Z) - Dense X Retrieval: What Retrieval Granularity Should We Use? [59.359325855708974]
しばしば見過ごされる設計選択は、コーパスが索引付けされる検索単位である。
提案手法はテキスト内の原子式として定義され,それぞれが別個のファクトイドをカプセル化している。
その結果,命題に基づく検索は,従来の通訳法や文による検索方法よりも格段に優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-11T18:57:35Z) - Walking Down the Memory Maze: Beyond Context Limit through Interactive
Reading [63.93888816206071]
我々は,長いコンテキストを要約ノードのツリーに処理する手法であるMemWalkerを紹介した。クエリを受信すると,モデルがこのツリーをナビゲートして関連する情報を検索し,十分な情報を収集すると応答する。
その結果,MemWalkerは,テキストを対話的に読み取る際の推論ステップを強調し,クエリに関連するテキストセグメントをピンポイントすることで,説明性の向上を図っている。
論文 参考訳(メタデータ) (2023-10-08T06:18:14Z) - QAID: Question Answering Inspired Few-shot Intent Detection [5.516275800944541]
我々は、発話や意図の名前を質問や回答として扱うことにより、質問応答検索タスクとして意図検出を再構築する。
数発のインテント検出ベンチマークの結果から,最先端の性能が得られた。
論文 参考訳(メタデータ) (2023-03-02T21:35:15Z) - 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) - Dense Paraphrasing for Textual Enrichment [7.6233489924270765]
文構造において(必要に)表現されない意味論をDense Paraphrasing(DP)として明示しつつ、曖昧さを低減させるような文表現(レキセムやフレーズ)を書き換えるプロセスを定義する。
我々は、最初の完全なDPデータセットを構築し、アノテーションタスクのスコープと設計を提供し、このDPプロセスがどのようにソーステキストを豊かにし、推論とQAタスクのパフォーマンスを改善するかを示す。
論文 参考訳(メタデータ) (2022-10-20T19:58:31Z) - Graph Enhanced BERT for Query Understanding [55.90334539898102]
クエリ理解は、ユーザの検索意図を探索し、ユーザが最も望まれる情報を発見できるようにする上で、重要な役割を果たす。
近年、プレトレーニング言語モデル (PLM) は様々な自然言語処理タスクを進歩させてきた。
本稿では,クエリコンテンツとクエリグラフの両方を活用可能な,グラフ強化事前学習フレームワークGE-BERTを提案する。
論文 参考訳(メタデータ) (2022-04-03T16:50:30Z) - Event-Driven Query Expansion [23.08079115356717]
まず,関連するイベントを検知してイベント関連クエリを拡張する手法を提案する。
クエリとイベントの両方に意味論的に関連する用語として拡張候補を導出する。
提案手法は,各種ニュースワイヤTRECデータセットの最先端手法と比較して,クエリ拡張性能を著しく向上することを示す。
論文 参考訳(メタデータ) (2020-12-22T14:56:54Z) - Generation-Augmented Retrieval for Open-domain Question Answering [134.27768711201202]
GAR(Generation-Augmented Retrieval)は、オープンドメインの質問に答える機能である。
クエリーに対して多様なコンテキストを生成することは、結果の融合が常により良い検索精度をもたらすので有益であることを示す。
GARは、抽出読取装置を備えた場合、抽出QA設定の下で、自然質問およびトリビアQAデータセットの最先端性能を達成する。
論文 参考訳(メタデータ) (2020-09-17T23:08:01Z) - Query Understanding via Intent Description Generation [75.64800976586771]
問合せ理解のためのQ2ID(Query-to-Intent-Description)タスクを提案する。
クエリとその記述を利用してドキュメントの関連性を計算する既存のランキングタスクとは異なり、Q2IDは自然言語のインテント記述を生成するための逆タスクである。
Q2IDタスクにおける複数の最先端生成モデルとの比較により,本モデルの有効性を実証する。
論文 参考訳(メタデータ) (2020-08-25T08:56:40Z)
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。