論文の概要: Stylized Knowledge-Grounded Dialogue Generation via Disentangled Template Rewriting

• arxiv url: http://arxiv.org/abs/2204.05610v1
• Date: Tue, 12 Apr 2022 08:17:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 11:41:57.953669
• Title: Stylized Knowledge-Grounded Dialogue Generation via Disentangled Template Rewriting
• Title（参考訳）: アンタングルテンプレート書き換えによるスティル化知識包含対話生成
• Authors: Qingfeng Sun, Can Xu, Huang Hu, Yujing Wang, Jian Miao, Xiubo Geng, Yining Chen, Fei Xu, Daxin Jiang
• Abstract要約: 我々は、Stylized Knowledge-Grounded Dialogue Generationという新しい問題を研究する。 SKDGモデルのトレーニング方法: コンテキスト、知識、スタイル化された応答が不要な場合。 本稿では, アンタングル型テンプレートとコンテンツテンプレートを組み合わせて応答を生成する, アンタングル型テンプレート書き換え(DTR)手法を提案する。
• 参考スコア（独自算出の注目度）: 55.10977824136768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current Knowledge-Grounded Dialogue Generation (KDG) models specialize in producing rational and factual responses. However, to establish long-term relationships with users, the KDG model needs the capability to generate responses in a desired style or attribute. Thus, we study a new problem: Stylized Knowledge-Grounded Dialogue Generation (SKDG). It presents two challenges: (1) How to train a SKDG model where no <context, knowledge, stylized response> triples are available. (2) How to cohere with context and preserve the knowledge when generating a stylized response. In this paper, we propose a novel disentangled template rewriting (DTR) method which generates responses via combing disentangled style templates (from monolingual stylized corpus) and content templates (from KDG corpus). The entire framework is end-to-end differentiable and learned without supervision. Extensive experiments on two benchmarks indicate that DTR achieves a significant improvement on all evaluation metrics compared with previous state-of-the-art stylized dialogue generation methods. Besides, DTR achieves comparable performance with the state-of-the-art KDG methods in standard KDG evaluation setting.
• Abstract（参考訳）: 現在の知識接地対話生成モデル(kdg)は、合理的かつ事実的応答の生成を専門としている。 しかし、ユーザとの長期的な関係を確立するために、KDGモデルは望ましいスタイルや属性で応答を生成する能力が必要である。 そこで我々は,Stylized Knowledge-Grounded Dialogue Generation (SKDG) という新たな問題を研究する。 これは、(1)<コンテキスト、知識、スタイル化された応答>トリプルがないskdgモデルをどのようにトレーニングするか、という2つの課題を提示している。 2) スタイル化された応答を生成する際に, コンテキストと結びつき, 知識を保存する方法。 本稿では,単言語スタイライゼーションコーパスから)不連続スタイルテンプレートと(kdgコーパスから)コンテンツテンプレートを融合して応答を生成する,新しい不連続テンプレート書き換え(dtr)手法を提案する。 フレームワーク全体がエンドツーエンドで差別化可能で、監督なしで学べる。 2つのベンチマークの大規模な実験により、DTRは従来の最先端のスタイリングダイアログ生成手法と比較して、すべての評価指標を大幅に改善した。 さらに、DTRは、標準KDG評価設定における最先端KDG法と同等の性能を達成する。

関連論文リスト

• Raw Text is All you Need: Knowledge-intensive Multi-turn Instruction Tuning for Large Language Model [25.459787361454353]
  本稿では,対話論理のCoD-Chainを利用して,多言語モデル(LLM)を指導指導のための知識集約型多元対話を生成する新しいフレームワークR2Sを提案する。 オープンソースデータセットとドメイン固有のWebcrawledドキュメントの両方の生文書をベンチマークK-BENCHに統合することにより、Wikipedia(英語)、Science(中国語)、Artifacts(中国語)などのさまざまな領域をカバーする。
  論文  参考訳（メタデータ） (2024-07-03T12:04:10Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• The Whole Truth and Nothing But the Truth: Faithful and Controllable Dialogue Response Generation with Dataflow Transduction and Constrained Decoding [65.34601470417967]
  本稿では,ニューラルネットワークモデリングとルールベース生成の強みを組み合わせた対話応答生成のためのハイブリッドアーキテクチャについて述べる。 本実験により, 本システムは, 流布性, 妥当性, 真理性の評価において, ルールベースおよび学習的アプローチの両方に優れることがわかった。
  論文  参考訳（メタデータ） (2022-09-16T09:00:49Z)
• RSTGen: Imbuing Fine-Grained Interpretable Control into Long-FormText Generators [26.27412809287025]
  RSTGenは、生成されたテキストの談話構造、セマンティクス、トピックを制御するフレームワークである。 オープンジェネレーション評価において、生成したテキストの構造的言論と意味的特徴を制御できるモデルの能力を実証する。
  論文  参考訳（メタデータ） (2022-05-25T09:06:04Z)
• Learning to Express in Knowledge-Grounded Conversation [62.338124154016825]
  本稿では,知識表現の2つの側面,すなわち各部分における内容の応答構造とスタイルについて考察する。 本稿では, セグメンテーションに基づく生成モデルを提案し, 応答における知識表現の基盤となるパターンを発見するために, 変動的アプローチを用いてモデルを最適化する。
  論文  参考訳（メタデータ） (2022-04-12T13:43:47Z)
• Language Model as an Annotator: Exploring DialoGPT for Dialogue Summarization [29.887562761942114]
  本稿では,対話応答生成のための事前学習モデルであるDialoGPTを,教師なし対話アノテータとして開発する方法を示す。 ダイアロGPTを用いて、2つの対話要約データセット(SAMSumとAMI)に3種類の特徴をラベル付けし、事前学習モデルと非訓練モデルを用いて要約する。
  論文  参考訳（メタデータ） (2021-05-26T13:50:13Z)
• Knowledge-based Review Generation by Coherence Enhanced Text Planning [45.473253542837995]
  我々は,知識グラフ(KGs)に基づく新しいコヒーレンス拡張テキストプランニングモデル(CETP)を提案し,レビュー生成のためのグローバルおよびローカルのコヒーレンスを改善する。 グローバルコヒーレンスのために,サブグラフとノードレベルの双方に注意を払って,サブグラフ間の相関性を高める階層的自己意図アーキテクチャを設計する。 3つのデータセットの実験は、生成されたテキストのコンテンツコヒーレンスを改善するためのモデルの有効性を確認します。
  論文  参考訳（メタデータ） (2021-05-09T02:12:05Z)
• 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。