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
- Attacking Misinformation Detection Using Adversarial Examples Generated by Language Models [0.0]
テキスト分類アルゴリズムのロバスト性をテストするために,逆例を生成するという課題について検討する。
我々は、攻撃者が試すことができるクエリ数に現実的な制限を設定することで、コンテンツモデレーションのシミュレーションに焦点を当てる。
論文 参考訳（メタデータ） (2024-10-28T11:46:30Z) - QUIDS: Query Intent Generation via Dual Space Modeling [12.572815037915348]
本稿では,検索意図の理解を説明するために,返却文書における意味的関連性および無関係情報を利用する二重空間モデルを提案する。
提案手法は高品質な問合せインテント記述を生成し,既存の手法と最先端の問合せベース要約手法を比較検討する。
論文 参考訳（メタデータ） (2024-10-16T09:28:58Z) - QAEA-DR: A Unified Text Augmentation Framework for Dense Retrieval [12.225881591629815]
厳密な検索では、長いテキストを密度の高いベクトルに埋め込むと、情報が失われ、クエリとテキストのマッチングが不正確になる。
近年の研究では,文の埋め込みモデルや検索プロセスの改善を中心に研究が進められている。
本稿では,高密度検索のための新しいテキスト拡張フレームワークを導入し,生文書を高密度テキスト形式に変換する。
論文 参考訳（メタデータ） (2024-07-29T17:39:08Z) - Dense X Retrieval: What Retrieval Granularity Should We Use? [56.90827473115201]
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。
本稿では,高密度検索のための新しい検索ユニット,命題を提案する。
実験により、提案のような細粒度単位によるコーパスのインデックス付けは、検索タスクにおける通過レベル単位を著しく上回っていることが明らかとなった。
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) - 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) - 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。