論文の概要: Dialogue Inspectional Summarization with Factual Inconsistency Awareness
- arxiv url: http://arxiv.org/abs/2111.03284v1
- Date: Fri, 5 Nov 2021 06:26:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-08 14:22:22.177245
- Title: Dialogue Inspectional Summarization with Factual Inconsistency Awareness
- Title（参考訳）: 事実的不整合意識を伴う対話検査要約
- Authors: Leilei Gan, Yating Zhang, Kun Kuang, Lin Yuan, Shuo Li, Changlong Sun,
Xiaozhong Liu, Fei Wu
- Abstract要約: 非事前学習・事前学習環境下での対話検査要約(DIS)の現実的矛盾問題について検討する。
2つの補助的なタスクを伴って、革新的なエンドツーエンドの対話要約生成フレームワークを提案する。
包括的実験により、提案モデルにより、現実的な側面を正確に網羅したより読みやすい要約が生成できることが示されている。
- 参考スコア（独自算出の注目度）: 34.97845384948336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dialogue summarization has been extensively studied and applied, where the
prior works mainly focused on exploring superior model structures to align the
input dialogue and the output summary. However, for professional dialogues
(e.g., legal debate and medical diagnosis), semantic/statistical alignment can
hardly fill the logical/factual gap between input dialogue discourse and
summary output with external knowledge. In this paper, we mainly investigate
the factual inconsistency problem for Dialogue Inspectional Summarization (DIS)
under non-pretraining and pretraining settings. An innovative end-to-end
dialogue summary generation framework is proposed with two auxiliary tasks:
Expectant Factual Aspect Regularization (EFAR) and Missing Factual Entity
Discrimination (MFED). Comprehensive experiments demonstrate that the proposed
model can generate a more readable summary with accurate coverage of factual
aspects as well as informing the user with potential missing facts detected
from the input dialogue for further human intervention.
- Abstract（参考訳）: 対話要約は広く研究され、先行研究は主に、入力対話と出力要約を整合させる優れたモデル構造を探ることに焦点を当てている。
しかし、専門的な対話(例えば法的議論や医学的診断)では、意味的/統計的アライメントは、入力対話と外部知識による要約出力の間の論理的/実的ギャップを埋めることができない。
本稿では,非事前学習・事前学習環境下での対話検査要約(DIS)の現実的不整合問題を主に検討する。
進化的なエンドツーエンドの対話要約生成フレームワークとして,期待的アスペクト正規化(EFAR)とMFED(Missing Factual Entity Discrimination)の2つの補助タスクを提案する。
包括的実験により,提案モデルがより読みやすい要約を生成でき,かつ,人間の介入により入力対話から検出された潜在的な欠落事実をユーザに知らせることができることを示した。
関連論文リスト
- STRUDEL: Structured Dialogue Summarization for Dialogue Comprehension [42.57581945778631]
抽象的な対話要約は、自然言語処理における重要なスタンドアロンタスクとみなされてきた。
本稿では,新たな対話要約タスクであるSTRUctured DiaLoguE Summarizationを提案する。
変換器エンコーダ言語モデルの対話理解性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2022-12-24T04:39:54Z) - Analyzing and Evaluating Faithfulness in Dialogue Summarization [67.07947198421421]
まず,対話要約の忠実度に関するきめ細かな人間の分析を行い,生成した要約の35%以上がソース対話に忠実に一致していないことを観察する。
そこで本研究では,ルールベース変換により生成した複数選択質問を用いたモデルレベルの忠実度評価手法を提案する。
論文 参考訳（メタデータ） (2022-10-21T07:22:43Z) - Taxonomy of Abstractive Dialogue Summarization: Scenarios, Approaches
and Future Directions [14.85592662663867]
この調査は、シナリオから抽象的な対話を要約するための既存の研究を包括的に調査する。
タスクは入力ダイアログの種類、すなわちオープンドメインとタスク指向の2つの幅広いカテゴリに分類される。
既存のテクニックを3方向に分類し、対話機能を注入し、補助訓練タスクを設計し、追加データを使用する。
論文 参考訳（メタデータ） (2022-10-18T14:33:03Z) - Enhancing Semantic Understanding with Self-supervised Methods for
Abstractive Dialogue Summarization [4.226093500082746]
本稿では,対話要約モデルを訓練するための欠点を補う自己教師型手法を提案する。
我々の原理は,対話文表現の文脈化能力を高めるために,前文対話文を用いて不整合情報の流れを検出することである。
論文 参考訳（メタデータ） (2022-09-01T07:51:46Z) - Towards Identifying Social Bias in Dialog Systems: Frame, Datasets, and
Benchmarks [95.29345070102045]
本稿では,ダイアログの安全性問題に対する社会的バイアス検出に焦点をあてる。
まず,会話における社会的バイアスを現実的に分析する新しいダイアルバイアスフレームを提案する。
中国初の社会バイアスダイアログデータセットであるCDail-Biasデータセットを紹介する。
論文 参考訳（メタデータ） (2022-02-16T11:59:29Z) - TODSum: Task-Oriented Dialogue Summarization with State Tracking [16.87549093925514]
タスク指向の対話要約データセット TODSum を大規模に導入する。
既存の作業と比較して、TODSumは深刻な分散情報問題に悩まされており、厳密な事実整合性を必要とする。
対話状態情報と対話履歴を統合するための状態認識型対話要約モデルを提案する。
論文 参考訳（メタデータ） (2021-10-25T06:53:11Z) - Structural Pre-training for Dialogue Comprehension [51.215629336320305]
本稿では,SPIDER, Structure Pre-trained DialoguE Readerについて述べる。
対話のような特徴をシミュレートするために,元のLM目的に加えて,2つの訓練目標を提案する。
広く使われている対話ベンチマークの実験結果から,新たに導入した自己教師型タスクの有効性が検証された。
論文 参考訳（メタデータ） (2021-05-23T15:16:54Z) - I like fish, especially dolphins: Addressing Contradictions in Dialogue
Modeling [104.09033240889106]
DialoguE Contradiction Detection Task(DECODE)と、人間とロボットの矛盾した対話の両方を含む新しい会話データセットを紹介します。
次に、事前学習したトランスフォーマーモデルを用いて、定型的非構造的アプローチと矛盾検出を行う構造的発話に基づくアプローチを比較する。
論文 参考訳（メタデータ） (2020-12-24T18:47:49Z) - Fact-based Dialogue Generation with Convergent and Divergent Decoding [2.28438857884398]
本稿では,コンバージェントな思考能力を備えたエンドツーエンドのファクトベース対話システムを提案する。
我々のモデルは、情報的かつ多様な応答を生成できる新しい収束および分岐復号を組み込んでいる。
論文 参考訳（メタデータ） (2020-05-06T23:49:35Z) - Dialogue-Based Relation Extraction [53.2896545819799]
本稿では,人間による対話型関係抽出(RE)データセットDialogREを提案する。
我々は,対話型タスクと従来のREタスクの類似点と相違点の分析に基づいて,提案課題において話者関連情報が重要な役割を担っていると論じる。
実験結果から,ベストパフォーマンスモデルにおける話者認識の拡張が,標準設定と会話評価設定の両方において向上することが示された。
論文 参考訳（メタデータ） (2020-04-17T03:51:57Z) - Masking Orchestration: Multi-task Pretraining for Multi-role Dialogue
Representation Learning [50.5572111079898]
マルチロール対話理解は、質問応答、行動分類、対話要約など、幅広い多様なタスクを含む。
対話コーパスは豊富に利用可能であるが、特定の学習タスクのためのラベル付きデータは非常に不足しており、高価である。
本研究では,教師なし事前学習タスクを用いた対話文脈表現学習について検討する。
論文 参考訳（メタデータ） (2020-02-27T04:36:52Z)
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。