論文の概要: Dialogue Meaning Representation for Task-Oriented Dialogue Systems
- arxiv url: http://arxiv.org/abs/2204.10989v1
- Date: Sat, 23 Apr 2022 04:17:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 09:17:50.941354
- Title: Dialogue Meaning Representation for Task-Oriented Dialogue Systems
- Title（参考訳）: タスク指向対話システムのための対話意味表現
- Authors: Xiangkun Hu, Junqi Dai, Hang Yan, Yi Zhang, Qipeng Guo, Xipeng Qiu,
Zheng Zhang
- Abstract要約: タスク指向対話のための柔軟かつ容易に拡張可能な表現である対話意味表現(DMR)を提案する。
我々の表現は、合成意味論とタスク固有の概念のためのリッチな意味論を表現するために、継承階層を持つノードとエッジのセットを含んでいる。
異なる機械学習ベースの対話モデルを評価するための2つの評価タスクを提案し、さらにグラフベースのコア参照解決タスクのための新しいコア参照解決モデルGNNCorefを提案する。
- 参考スコア（独自算出の注目度）: 51.91615150842267
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dialogue meaning representation formulates natural language utterance
semantics in their conversational context in an explicit and machine-readable
form. Previous work typically follows the intent-slot framework, which is easy
for annotation yet limited on scalability for complex linguistic expressions. A
line of works alleviates the representation issue by introducing hierarchical
structures but challenging to express complex compositional semantics, such as
negation and coreference. We propose Dialogue Meaning Representation (DMR), a
flexible and easily extendable representation for task-oriented dialogue. Our
representation contains a set of nodes and edges with inheritance hierarchy to
represent rich semantics for compositional semantics and task-specific
concepts. We annotated DMR-FastFood, a multi-turn dialogue dataset with more
than 70k utterances, with DMR. We propose two evaluation tasks to evaluate
different machine learning based dialogue models, and further propose a novel
coreference resolution model GNNCoref for the graph-based coreference
resolution task. Experiments show that DMR can be parsed well with pretrained
Seq2Seq model, and GNNCoref outperforms the baseline models by a large margin.
- Abstract（参考訳）: 対話の意味は、自然言語の発話の意味を明示的かつ機械可読な形式で表現する。
従来の作業は通常、複雑な言語表現のスケーラビリティに制限があるアノテーションにとって容易なインテントスロットフレームワークに従っています。
一連の著作は階層構造を導入することで表現問題を緩和するが、否定や共参照のような複雑な構成意味論の表現に挑戦する。
タスク指向対話のための柔軟かつ容易に拡張可能な表現である対話意味表現(DMR)を提案する。
私たちの表現は、合成意味論とタスク固有の概念のリッチセマンティクスを表現するために、継承階層を持つノードとエッジのセットを含んでいます。
我々は,DMRを用いて,70k以上の発話を持つマルチターン対話データセットであるDMR-FastFoodを注釈付けした。
異なる機械学習ベースの対話モデルを評価するための2つの評価タスクを提案し、さらにグラフベースのコア参照解決タスクのための新しいコア参照解決モデルGNNCorefを提案する。
実験により、DMRは事前訓練されたSeq2Seqモデルとうまく解析できることが示され、GNNCorefはベースラインモデルよりも大きなマージンで優れていた。
関連論文リスト
- WEBDial, a Multi-domain, Multitask Statistical Dialogue Framework with
RDF [0.0]
スロット値対の代わりにRDFトリプルを用いてグラフ形式に依存する対話フレームワークを提案する。
ドメインやタスクの複雑さを変化させることで、単純なアプリケーションから複雑なアプリケーションへの適用性を示す。
論文 参考訳（メタデータ） (2024-01-08T14:08:33Z) - Dynamic Multi-Scale Context Aggregation for Conversational Aspect-Based
Sentiment Quadruple Analysis [4.768182075837568]
DiaASQは、対話の中で、ターゲット・アスペクト・オピニオン感覚の4倍を抽出することを目的としている。
既存の作業はそれぞれの発話を独立して符号化するので、長距離会話のコンテキストを捉えるのに苦労する。
本稿では,新しい動的マルチスケールコンテキストアグリゲーションネットワーク(DMCA)を提案する。
論文 参考訳（メタデータ） (2023-09-27T08:17:28Z) - InstructERC: Reforming Emotion Recognition in Conversation with Multi-task Retrieval-Augmented Large Language Models [9.611864685207056]
本稿では,識別的枠組みから大規模言語モデル(LLM)に基づく生成的枠組みへ,感情認識タスクを再構築するための新しいアプローチであるインストラクタCを提案する。
InstructERCは、3つの重要な貢献をしている:(1)モデルがマルチグラニュラリティ対話監視情報を明示的に統合するのに役立つ単純で効果的なテンプレートモジュール、(2)話者識別と感情予測タスクという2つの追加の感情アライメントタスクを導入し、会話における対話の役割の関係と将来の感情傾向を暗黙的にモデル化する。
論文 参考訳（メタデータ） (2023-09-21T09:22:07Z) - 'What are you referring to?' Evaluating the Ability of Multi-Modal
Dialogue Models to Process Clarificational Exchanges [65.03196674816772]
参照表現が宛先に対して意図された参照を一意に識別しない場合、参照の曖昧さが対話で生じる。
出席者は、通常、そのような曖昧さをすぐに検知し、メタコミュニケーション、明確化取引所(CE: Meta-communicative, Clarification Exchanges)を使用して、話者と作業する。
ここでは、CRを生成・応答する能力は、マルチモーダルな視覚的基盤を持つ対話モデルのアーキテクチャと目的関数に特定の制約を課していると論じる。
論文 参考訳（メタデータ） (2023-07-28T13:44:33Z) - DiPlomat: A Dialogue Dataset for Situated Pragmatic Reasoning [89.92601337474954]
プラグマティック推論は、実生活における会話でしばしば起こる暗黙の意味を解読する上で重要な役割を担っている。
そこで我々は,現実的な推論と会話理解の場所に関するマシンの能力のベンチマークを目的とした,新しい挑戦であるDiPlomatを紹介した。
論文 参考訳（メタデータ） (2023-06-15T10:41:23Z) - Guiding the PLMs with Semantic Anchors as Intermediate Supervision:
Towards Interpretable Semantic Parsing [57.11806632758607]
本稿では,既存の事前学習言語モデルを階層型デコーダネットワークに組み込むことを提案する。
第一原理構造をセマンティックアンカーとすることで、2つの新しい中間管理タスクを提案する。
いくつかのセマンティック解析ベンチマークで集中的な実験を行い、我々のアプローチがベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2022-10-04T07:27:29Z) - Representation Learning for Conversational Data using Discourse Mutual
Information Maximization [9.017156603976915]
構造を意識しない単語・バイ・ワード生成は効果的な会話モデリングには適さないと我々は主張する。
対話表現モデルの学習のための構造認識型相互情報に基づく損失関数DMIを提案する。
本モデルでは,対話評価タスクであるDailyDialog++において,ランダムな負のシナリオと逆のシナリオの両方において,最も有望な性能を示す。
論文 参考訳（メタデータ） (2021-12-04T13:17:07Z) - Semantic Representation for Dialogue Modeling [22.80679759491184]
対話モデリングを支援するために抽象的意味表現(AMR)を利用する。
テキスト入力と比較すると、AMRはコアセマンティック知識を明示的に提供します。
我々は初めて、形式的な意味表現をニューラルダイアログモデリングに活用する。
論文 参考訳（メタデータ） (2021-05-21T07:55:07Z) - Discovering Dialog Structure Graph for Open-Domain Dialog Generation [51.29286279366361]
chitchat corporaの対話構造を無監督で発見します。
次に、下流システムでのダイアログ生成を容易にするために利用します。
本稿では,グラフニューラルネットワーク(DVAE-GNN)を用いた離散変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2020-12-31T10:58:37Z) - Learning an Effective Context-Response Matching Model with
Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。
我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。
実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
論文 参考訳（メタデータ） (2020-09-14T08:44:46Z)
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。