論文の概要: Requirements Elicitation in Cognitive Service for Recommendation

• arxiv url: http://arxiv.org/abs/2203.14958v1
• Date: Tue, 29 Mar 2022 07:44:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 16:47:23.381450
• Title: Requirements Elicitation in Cognitive Service for Recommendation
• Title（参考訳）: 認知サービスにおけるレコメンデーションの要求事項
• Authors: Bolin Zhang, Zhiying Tu, Yunzhe Xu, Dianhui Chu and Xiaofei Xu
• Abstract要約: 本稿では,ユーザ要求適応フレームワーク(URef)と,注意に基づく応答生成モデルSaRSNetを提案する。 オープンデータセットemphDuRecDialの実験結果は,ベースラインと比較して大幅に改善されている。
• 参考スコア（独自算出の注目度）: 3.286378299443229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, cognitive service provides more interactive way to understand users' requirements via human-machine conversation. In other words, it has to capture users' requirements from their utterance and respond them with the relevant and suitable service resources. To this end, two phases must be applied: I.Sequence planning and Real-time detection of user requirement, II.Service resource selection and Response generation. The existing works ignore the potential connection between these two phases. To model their connection, Two-Phase Requirement Elicitation Method is proposed. For the phase I, this paper proposes a user requirement elicitation framework (URef) to plan a potential requirement sequence grounded on user profile and personal knowledge base before the conversation. In addition, it can also predict user's true requirement and judge whether the requirement is completed based on the user's utterance during the conversation. For the phase II, this paper proposes a response generation model based on attention, SaRSNet. It can select the appropriate resource (i.e. knowledge triple) in line with the requirement predicted by URef, and then generates a suitable response for recommendation. The experimental results on the open dataset \emph{DuRecDial} have been significantly improved compared to the baseline, which proves the effectiveness of the proposed methods.
• Abstract（参考訳）: 現在、cognitive serviceは、人間と機械の会話を通じてユーザーの要求を理解するよりインタラクティブな方法を提供する。 言い換えれば、発話からユーザの要求を捕捉し、関連する適切なサービスリソースで対応する必要があります。 この目的のために、I.Sequence Planning と Real-time Detection of user requirements, II.Service Resource selection と Response Generation の2つのフェーズを適用する必要がある。 既存の作品はこれら2つの相の間の潜在的なつながりを無視している。 接続をモデル化するために,二相要求導出法が提案されている。 本稿では,会話の前に,ユーザプロファイルと個人知識ベースに基づく潜在的な要件シーケンスを計画するためのユーザ要件抽出フレームワーク(uref)を提案する。 また、ユーザの真の要求を予測し、会話中のユーザの発話に基づいて要求が完了したかどうかを判断することもできる。 フェーズIIでは,注意に基づく応答生成モデルSaRSNetを提案する。 URefが予測した要件に従って適切なリソース(すなわち知識3倍)を選択し、推奨のために適切な応答を生成する。 オープンデータセット \emph{durecdial} の実験結果は,提案手法の有効性を示すベースラインと比較して有意に改善されている。

関連論文リスト

• Selecting Query-bag as Pseudo Relevance Feedback for Information-seeking Conversations [76.70349332096693]
  情報検索対話システムは電子商取引システムで広く利用されている。 クエリバッグに基づくPseudo Relevance Feedback framework(QB-PRF)を提案する。 関連クエリを備えたクエリバッグを構築し、擬似シグナルとして機能し、情報検索の会話をガイドする。
  論文  参考訳（メタデータ） (2024-03-22T08:10:32Z)
• Towards Reliable and Factual Response Generation: Detecting Unanswerable Questions in Information-Seeking Conversations [16.99952884041096]
  生成的AIモデルは、そのようなシステムに対するユーザの信頼を損なう可能性のある幻覚の課題に直面します。 本稿では,まずコーパス内の関連するパスを識別し,最後にシステム応答にまとめる2段階のプロセスとして,会話情報探索の問題にアプローチする。 具体的には,文レベル分類器を用いて解答の有無を判定し,これらの予測を文レベルに集約し,最後に最終解答可能性推定値に到達する。
  論文  参考訳（メタデータ） (2024-01-21T10:15:36Z)
• RSVP: Customer Intent Detection via Agent Response Contrastive and Generative Pre-Training [16.183398769581075]
  RSVPはタスク指向の対話に特化した自己教師型フレームワークである。 エージェント応答を2段階的に事前訓練する。 実世界の2つのカスタマーサービスデータセットのベンチマーク結果は、RSVPが最先端のベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2023-10-15T08:21:38Z)
• Diverse and Faithful Knowledge-Grounded Dialogue Generation via Sequential Posterior Inference [82.28542500317445]
  本稿では,知識の選択と対話生成が可能な,逐次後推論(Sequential Posterior Inference, SPI)と呼ばれるエンドツーエンド学習フレームワークを提案する。 他の方法とは異なり、SPIは推論ネットワークを必要とせず、後部分布の単純な幾何学を仮定する。
  論文  参考訳（メタデータ） (2023-06-01T21:23:13Z)
• EM Pre-training for Multi-party Dialogue Response Generation [86.25289241604199]
  多人数対話では、応答発話の宛先を生成前に指定する必要がある。 本稿では,アドレナラベルを生成するための期待ステップを反復的に実行する期待最大化(EM)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-21T09:22:41Z)
• Socratic Pretraining: Question-Driven Pretraining for Controllable Summarization [89.04537372465612]
  ソクラティック事前訓練は、要約タスクにおける制御性を改善するために設計された、質問駆動で教師なし事前訓練の目的である。 以上の結果から,Socraticプレトレーニングはタスク固有のラベル付きデータ要件を半分に削減することがわかった。
  論文  参考訳（メタデータ） (2022-12-20T17:27:10Z)
• Intelligent Request Strategy Design in Recommender System [76.90734681369156]
  我々は、Intelligent Request Strategy Design(IRSD)というエッジインテリジェンスの新しい学習タスクを構想する。 IRSDは、ユーザのリアルタイムな意図に基づいて、リクエスト挿入の適切なタイミングを決定することにより、ウォーターフォールRSの有効性を向上させることを目的としている。 我々は、アップリフトベースのOn-edge Smart Request Framework(AdaRequest)という、適応的な要求挿入戦略の新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-06-23T16:51:38Z)
• End-to-End Demand Response Model Identification and Baseline Estimation with Deep Learning [3.553493344868414]
  本稿では,需要ベースラインとインセンティブに基づくエージェント要求応答モデルを同時に識別する,エンドツーエンドのディープラーニングフレームワークを提案する。 提案手法の有効性を,合成需要応答トレースと大規模実世界の需要応答データセットを用いた計算実験により実証する。
  論文  参考訳（メタデータ） (2021-09-02T06:43:37Z)
• Learning to Ask Appropriate Questions in Conversational Recommendation [49.31942688227828]
  対話型レコメンデーションのための新しいフレームワークであるKnowledge-Based Question Generation System (KBQG)を提案する。 KBQGは、構造化知識グラフから最も関連性の高い関係を識別することにより、ユーザの好みをよりきめ細かな粒度でモデル化する。 最終的には、正確な推奨は会話の順番を少なくして生成できる。
  論文  参考訳（メタデータ） (2021-05-11T03:58:10Z)

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。