論文の概要: Learning Neural Templates for Recommender Dialogue System

• arxiv url: http://arxiv.org/abs/2109.12302v1
• Date: Sat, 25 Sep 2021 07:33:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:59:08.794794
• Title: Learning Neural Templates for Recommender Dialogue System
• Title（参考訳）: リコメンダ対話システムのためのニューラルネットワークテンプレートの学習
• Authors: Zujie Liang, Huang Hu, Can Xu, Jian Miao, Yingying He, Yining Chen, Xiubo Geng, Fan Liang, Daxin Jiang
• Abstract要約: 本稿では,レコメンダ対話システムのためのNTRDという新しいフレームワークを提案する。 項目推薦から対話生成を分離する。 我々の手法は従来の最先端手法よりも大幅に優れている。
• 参考スコア（独自算出の注目度）: 21.264629497659612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Though recent end-to-end neural models have shown promising progress on Conversational Recommender System (CRS), two key challenges still remain. First, the recommended items cannot be always incorporated into the generated replies precisely and appropriately. Second, only the items mentioned in the training corpus have a chance to be recommended in the conversation. To tackle these challenges, we introduce a novel framework called NTRD for recommender dialogue system that decouples the dialogue generation from the item recommendation. NTRD has two key components, i.e., response template generator and item selector. The former adopts an encoder-decoder model to generate a response template with slot locations tied to target items, while the latter fills in slot locations with the proper items using a sufficient attention mechanism. Our approach combines the strengths of both classical slot filling approaches (that are generally controllable) and modern neural NLG approaches (that are generally more natural and accurate). Extensive experiments on the benchmark ReDial show our NTRD significantly outperforms the previous state-of-the-art methods. Besides, our approach has the unique advantage to produce novel items that do not appear in the training set of dialogue corpus. The code is available at \url{https://github.com/jokieleung/NTRD}.
• Abstract（参考訳）: 最近のエンドツーエンドのニューラルモデルでは、会話レコメンダシステム(CRS)の進歩が期待できるが、2つの重要な課題が残っている。 まず、推奨項目を常に生成した返信に正確かつ適切に組み込むことはできない。 第2に、トレーニングコーパスに記載されている項目のみ、会話で推奨される機会がある。 これらの課題に取り組むために,項目推薦から対話生成を分離するレコメンダ対話システムとして,ntrdと呼ばれる新しい枠組みを提案する。 NTRDはレスポンステンプレートジェネレータとアイテムセレクタという2つの重要なコンポーネントを持っている。 前者はエンコーダ・デコーダモデルを採用し、ターゲットアイテムに関連付けられたスロット位置の応答テンプレートを生成し、後者は十分な注意機構を用いて適切なアイテムでスロット位置を埋める。 我々のアプローチは、古典的なスロットフィリングアプローチ(一般的に制御可能)と現代のニューラルNLGアプローチ(一般的にはより自然で正確)の長所を組み合わせる。 ベンチマークReDialでの大規模な実験は、NTRDが従来の最先端手法よりも大幅に優れていたことを示している。 また,本手法は,対話コーパスの訓練セットに現れない新たな項目を生成できるというユニークな利点がある。 コードは \url{https://github.com/jokieleung/ntrd} で入手できる。

関連論文リスト

• Parameter-Efficient Conversational Recommender System as a Language Processing Task [52.47087212618396]
  会話レコメンデータシステム(CRS)は,自然言語会話を通じてユーザの嗜好を喚起することで,ユーザに対して関連項目を推薦することを目的としている。 先行作業では、アイテムのセマンティック情報、対話生成のための言語モデル、関連する項目のランク付けのためのレコメンデーションモジュールとして、外部知識グラフを利用することが多い。 本稿では、自然言語の項目を表現し、CRSを自然言語処理タスクとして定式化する。
  論文  参考訳（メタデータ） (2024-01-25T14:07:34Z)
• Controllable Generation of Dialogue Acts for Dialogue Systems via Few-Shot Response Generation and Ranking [5.294303942310109]
  対話システムは,多種類の対話行動(DA)を高い意味的忠実度で実現する応答を生成する必要がある。 最近の研究は、事前学習された言語モデル(LLM)が、制御可能な自然言語生成器(NLG)に新たな可能性をもたらすことを示している。 ここでは、DAの制御された生成を実現するために、新しい数発のオーバージェネレーション・アンド・ランクのアプローチを開発する。
  論文  参考訳（メタデータ） (2023-07-26T18:16:45Z)
• Contextual Dynamic Prompting for Response Generation in Task-oriented Dialog Systems [8.419582942080927]
  応答生成はタスク指向対話システムにおいて重要なコンポーネントの1つである。 本稿では,対話コンテキストからプロンプトを学習するテキスト動的プロンプトを実現する手法を提案する。 文脈的動的プロンプトは,3つの絶対点で構造化されたテキスト合成スコア citemehri-etal 2019 を用いて応答生成を改善することを示す。
  論文  参考訳（メタデータ） (2023-01-30T20:26:02Z)
• Talk the Walk: Synthetic Data Generation for Conversational Music Recommendation [62.019437228000776]
  本稿では,広く利用可能なアイテムコレクションにおいて,符号化された専門知識を活用することで,現実的な高品質な会話データを生成するTalkWalkを提案する。 人間の収集したデータセットで100万以上の多様な会話を生成します。
  論文  参考訳（メタデータ） (2023-01-27T01:54:16Z)
• DIONYSUS: A Pre-trained Model for Low-Resource Dialogue Summarization [127.714919036388]
  DIONYSUSは、任意の新しいドメインでの対話を要約するための訓練済みエンコーダデコーダモデルである。 実験の結果,DIONYSUSは6つのデータセット上で既存の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-12-20T06:21:21Z)
• FORCE: A Framework of Rule-Based Conversational Recommender System [37.28739413801297]
  本稿では,ルールベースの会話レコメンダシステムFOCEを提案する。 FORCEは開発者が簡単な設定でCRSボットを素早く構築するのに役立つ。 異なる言語とドメインの2つのデータセットで実験を行い、その有効性とユーザビリティを検証する。
  論文  参考訳（メタデータ） (2022-03-18T15:01:32Z)
• Response Generation with Context-Aware Prompt Learning [19.340498579331555]
  本稿では,対話生成問題を素早い学習課題とする,事前学習型対話モデリングのための新しい手法を提案する。 限られた対話データを微調整する代わりに、我々のアプローチであるDialogPromptは、対話コンテキストに最適化された連続的なプロンプト埋め込みを学習する。 提案手法は,微調整ベースラインと汎用的なプロンプト学習法を著しく上回っている。
  論文  参考訳（メタデータ） (2021-11-04T05:40:13Z)
• CR-Walker: Tree-Structured Graph Reasoning and Dialog Acts for Conversational Recommendation [62.13413129518165]
  CR-Walkerは知識グラフ上で木構造推論を行うモデルである。 インフォメーションダイアログが生成され、言語生成をガイドする。 自動的および人的評価は、CR-Walkerがより正確なレコメンデーションに到達できることを示している。
  論文  参考訳（メタデータ） (2020-10-20T14:53:22Z)
• Modelling Hierarchical Structure between Dialogue Policy and Natural Language Generator with Option Framework for Task-oriented Dialogue System [49.39150449455407]
  HDNOは、特定の対話行為表現の設計を避けるために潜在対話行為を設計するためのオプションフレームワークである。 RL,LaRL,HDSAで学習した単語レベルE2Eモデルと比較して,マルチドメイン対話のデータセットであるMultiWoz 2.0とMultiWoz 2.1でHDNOをテストする。
  論文  参考訳（メタデータ） (2020-06-11T20:55:28Z)
• Prototype-to-Style: Dialogue Generation with Style-Aware Editing on Retrieval Memory [65.98002918470543]
  文体対話生成の課題に対処する新しいプロトタイプ・ツー・スタイルのフレームワークを提案する。 このフレームワークは、IR(Information Retrieval)システムを使用して、検索した応答から応答プロトタイプを抽出する。 スタイリスティック応答生成器は、プロトタイプと所望の言語スタイルをモデル入力として、高品質でスタイリスティックな応答を得る。
  論文  参考訳（メタデータ） (2020-04-05T14:36:15Z)

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。