論文の概要: Where to Go for the Holidays: Towards Mixed-Type Dialogs for Clarification of User Goals

• arxiv url: http://arxiv.org/abs/2204.07299v1
• Date: Fri, 15 Apr 2022 02:30:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-18 15:27:58.902327
• Title: Where to Go for the Holidays: Towards Mixed-Type Dialogs for Clarification of User Goals
• Title（参考訳）: ホリデーの行き先:ユーザ目標の明確化のための混合型ダイアログを目指して
• Authors: Zeming Liu, Jun Xu, Zeyang Lei, Haifeng Wang, Zheng-Yu Niu, Hua Wu
• Abstract要約: 本稿では,人-人-人-混在型ダイアログコーパスを新たに収集する。 5kのダイアログセッションと4つのダイアログタイプと5つのドメインのための168kの発話を含む。 本稿では,新しいPromptベースの連続学習機構を備えた混合型対話モデルを提案する。
• 参考スコア（独自算出の注目度）: 44.19841573840866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most dialog systems posit that users have figured out clear and specific goals before starting an interaction. For example, users have determined the departure, the destination, and the travel time for booking a flight. However, in many scenarios, limited by experience and knowledge, users may know what they need, but still struggle to figure out clear and specific goals by determining all the necessary slots. In this paper, we identify this challenge and make a step forward by collecting a new human-to-human mixed-type dialog corpus. It contains 5k dialog sessions and 168k utterances for 4 dialog types and 5 domains. Within each session, an agent first provides user-goal-related knowledge to help figure out clear and specific goals, and then help achieve them. Furthermore, we propose a mixed-type dialog model with a novel Prompt-based continual learning mechanism. Specifically, the mechanism enables the model to continually strengthen its ability on any specific type by utilizing existing dialog corpora effectively.
• Abstract（参考訳）: ほとんどのダイアログシステムは、ユーザーが対話を始める前に明確で具体的な目標を見出したと仮定している。 例えば、ユーザーは出発時刻、目的地、フライト予約の所要時間を決めている。 しかし、経験と知識によって制限された多くのシナリオでは、ユーザーは必要なものを知っているかもしれないが、必要な全てのスロットを決定することで、明確で具体的な目標を見つけるのに苦労している。 本稿では、この課題を特定し、新しい人間対人間混合型対話コーパスを収集し、一歩前進させる。 5kダイアログセッションと4つのダイアログタイプと5つのドメインの168k発話を含む。 各セッション内では、エージェントがまずユーザ目標に関する知識を提供して、明確で具体的な目標を把握し、その達成を支援する。 さらに,新しいプロンプト型連続学習機構を備えた混合型対話モデルを提案する。 具体的には、既存のダイアログコーパスを効果的に活用することにより、モデルが任意の特定の型でその能力を継続的に強化することができる。

関連論文リスト

• Hello Again! LLM-powered Personalized Agent for Long-term Dialogue [63.65128176360345]
  モデルに依存しない長期対話エージェント(LD-Agent)を導入する。 イベント認識、ペルソナ抽出、応答生成のための3つの独立した調整可能なモジュールが組み込まれている。 LD-Agentの有効性, 汎用性, クロスドメイン性について実験的に検証した。
  論文  参考訳（メタデータ） (2024-06-09T21:58:32Z)
• Multi-User MultiWOZ: Task-Oriented Dialogues among Multiple Users [51.34484827552774]
  マルチユーザMulti-User MultiWOZデータセットを2つのユーザと1つのエージェント間のタスク指向対話としてリリースする。 これらの対話は、タスク指向のシナリオにおける協調的な意思決定の興味深いダイナミクスを反映している。 本稿では,複数ユーザ間のタスク指向のチャットを簡潔なタスク指向のクエリとして書き換える,マルチユーザコンテキストクエリ書き換えの新しいタスクを提案する。
  論文  参考訳（メタデータ） (2023-10-31T14:12:07Z)
• Unified Conversational Models with System-Initiated Transitions between Chit-Chat and Task-Oriented Dialogues [4.714297769572548]
  対話モードが1つの対話モードで変化した場合に発生する「潜在的イニシアチブ」について検討する。 システム開始遷移をトリガーする遷移文を積極的に生成できる2つの効率的なプロンプトモデルに寄与する。
  論文  参考訳（メタデータ） (2023-07-04T11:53:23Z)
• Hierarchical Dialogue Understanding with Special Tokens and Turn-level Attention [19.03781524017955]
  単純だが効果的な階層的対話理解モデルHiDialogを提案する。 まず,複数の特別なトークンを対話に挿入し,階層的にターン埋め込みを学習するためのターンレベルアテンションを提案する。 我々は,対話関係抽出,対話感情認識,対話行為分類など,対話理解タスクにおけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2023-04-29T13:53:48Z)
• User Satisfaction Estimation with Sequential Dialogue Act Modeling in Goal-oriented Conversational Systems [65.88679683468143]
  我々は,ユーザ満足度を予測するために,対話行動の逐次的ダイナミクスを取り入れた新しいフレームワーク,すなわちUSDAを提案する。 USDAは、ユーザの満足度を予測するために、コンテンツと行動機能の連続的な遷移を対話に取り入れている。 4つのベンチマーク目標指向対話データセットによる実験結果から,提案手法はUSEの既存手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2022-02-07T02:50:07Z)
• Alexa Conversations: An Extensible Data-driven Approach for Building Task-oriented Dialogue Systems [21.98135285833616]
  従来の目標指向対話システムは、自然言語理解、対話状態追跡、政策学習、応答生成など、さまざまなコンポーネントに依存している。 スケーラブルかつデータ効率の高い,目標指向の対話システム構築のための新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T07:09:27Z)
• Dialog Simulation with Realistic Variations for Training Goal-Oriented Conversational Systems [14.206866126142002]
  ゴール指向のダイアログシステムにより、ユーザーは映画に関する情報をリクエストしたり、チケットを予約したりといった特定の目標を達成することができる。 本稿では,注釈付きダイアログとダイアログスキーマから,注釈付きダイアログの大規模なコーパスを自動生成する手法を提案する。 ベースラインダイアログ生成手法と比較して,ホールドアウトテストセットの50%の相対精度を実現した。
  論文  参考訳（メタデータ） (2020-11-16T19:39:15Z)
• Towards Conversational Recommendation over Multi-Type Dialogs [78.52354759386296]
  ボットは、非推奨ダイアログからレコメンデーションダイアログへの会話を積極的に自然に導くことができる。 この課題の研究を容易にするために,人間と人による中国語対話データセットemphDuRecDial(約10k対話,約156k発話)を作成する。 各ダイアログでは、リコメンデータが積極的にマルチタイプのダイアログを導き、レコメンデーションターゲットにアプローチし、リッチなインタラクション動作で複数のレコメンデーションを行う。
  論文  参考訳（メタデータ） (2020-05-08T11:01:21Z)
• I love your chain mail! Making knights smile in a fantasy game world: Open-domain goal-oriented dialogue agents [69.68400056148336]
  我々は、模倣学習したチトチャットモデルに対して強化学習を施した目標指向モデルを訓練する。 両モデルが逆モデルベースラインより優れており,目標を達成するために対話相手と自然に会話できることを示す。
  論文  参考訳（メタデータ） (2020-02-07T16:22:36Z)

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。