論文の概要: $G^2$: Enhance Knowledge Grounded Dialogue via Ground Graph
- arxiv url: http://arxiv.org/abs/2204.12681v1
- Date: Wed, 27 Apr 2022 03:31:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-28 13:00:12.006415
- Title: $G^2$: Enhance Knowledge Grounded Dialogue via Ground Graph
- Title(参考訳): G^2$: グラウンドグラフによる知識接地対話の強化
- Authors: Yizhe Yang, Yang Gao, Jiawei Li and Heyan Huang
- Abstract要約: 本稿では,対話コンテキストと知識文書の両方の意味構造をモデル化した新しいグラフ構造であるグラウンドグラフを提案する。
また、知識基盤応答生成を強化するため、グラウンドグラフ認識変換器(G2AT$)を提案する。
我々の構造認識アプローチは資源制限状況において優れた一般化能力を示す。
- 参考スコア(独自算出の注目度): 33.917882046020125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge grounded dialogue system is designed to generate responses that
convey information from given knowledge documents. However, it's a challenge
for the current Seq2Seq model to acquire knowledge from complex documents and
integrate it to perform correct responses without the aid of an explicit
semantic structure. To address these issues, we present a novel graph
structure, Ground Graph ($G^2$), which models the semantic structure of both
dialogue contexts and knowledge documents to facilitate knowledge selection and
integration for the task. Besides, a Ground Graph Aware Transformer ($G^2AT$)
is proposed to enhance knowledge grounded response generation. Empirical
results show that our proposed model outperforms previous state-of-the-art
methods with more than 10\% and 20\% gains on response generation and factual
consistency. Furthermore, our structure-aware approach shows excellent
generalization ability in resource-limited situations.
- Abstract(参考訳): 知識接地対話システムは、与えられた知識文書から情報を伝える応答を生成するように設計されている。
しかし、現在のseq2seqモデルでは、複雑な文書から知識を取得し、明示的な意味構造を必要とせずに正しい応答を行うためにそれを統合することは困難である。
これらの課題に対処するために、対話コンテキストと知識文書の両方の意味構造をモデル化し、タスクの知識選択と統合を容易にする新しいグラフ構造(G^2$)を提案する。
また、知識基盤応答生成を向上させるため、グラウンドグラフ認識変換器(G^2AT$)を提案する。
実験結果から,提案手法は従来手法よりも10\%以上,20\%以上の精度で応答生成や事実整合性に優れていた。
さらに,我々の構造認識アプローチは資源制限状況において優れた一般化能力を示す。
関連論文リスト
- Knowledge Graphs and Pre-trained Language Models enhanced Representation
Learning for Conversational Recommender Systems [63.974673451117226]
本稿では,対話型推薦システムのためのエンティティの意味理解を改善するために,知識強化型エンティティ表現学習(KERL)フレームワークを紹介する。
KERLは知識グラフと事前訓練された言語モデルを使用して、エンティティの意味的理解を改善する。
KERLはレコメンデーションとレスポンス生成の両方のタスクで最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-12-18T06:41:23Z) - Knowledge Graph-Augmented Language Models for Knowledge-Grounded
Dialogue Generation [58.65698688443091]
我々は、知識グラフ(KGs)を用いた文脈関連および知識基底対話を生成するためのフレームワークであるSUbgraph Retrieval-augmented GEneration (SURGE)を提案する。
我々のフレームワークはまずKGから関連するサブグラフを取得し、その後、検索したサブグラフによって条件付けられた単語の埋め込みを摂動することで、事実間の一貫性を強制する。
我々は,OpendialKGとKOMODISデータセットのSURGEフレームワークを検証し,KGの知識を忠実に反映した高品質な対話を生成することを示す。
論文 参考訳(メタデータ) (2023-05-30T08:36:45Z) - CADGE: Context-Aware Dialogue Generation Enhanced with Graph-Structured
Knowledge Aggregation [21.331251731675668]
常識知識は多くの自然言語処理タスクに不可欠である。
既存の研究は通常、グラフ知識を従来のグラフニューラルネットワーク(GNN)に組み込む。
これらの異なる表現学習段階は、ニューラルネットワークが入力知識の両タイプに含まれる全体的な文脈を学習するのに最適であるかもしれない、と我々は主張する。
論文 参考訳(メタデータ) (2023-05-10T16:31:35Z) - RHO ($\rho$): Reducing Hallucination in Open-domain Dialogues with
Knowledge Grounding [57.46495388734495]
本稿では、知識グラフ(KG)からリンクされたエンティティと関係述語を表現したRHO(rho$)を提案する。
本稿では,(1)テキスト埋め込みと対応するKG埋め込みを組み合わせるための局所知識基盤,(2)注目機構を介してRHOにマルチホップ推論能力を持たせるためのグローバル知識基盤を提案する。
論文 参考訳(メタデータ) (2022-12-03T10:36:34Z) - Enhanced Knowledge Selection for Grounded Dialogues via Document
Semantic Graphs [123.50636090341236]
本稿では,背景知識文書を自動的に文書意味グラフに変換することを提案する。
文書意味グラフは文ノードを用いて文レベル情報を保存し,文間の概念接続を提供する。
本実験により,HolEにおける知識選択タスクとエンドツーエンド応答生成タスクの双方において,意味グラフに基づく知識選択が文選択ベースラインよりも改善されることが示されている。
論文 参考訳(メタデータ) (2022-06-15T04:51:32Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳(メタデータ) (2022-01-13T08:25:53Z) - Grounding Dialogue Systems via Knowledge Graph Aware Decoding with
Pre-trained Transformers [3.477557431978457]
知識グラフは、知識に基づく応答を生成するための対話システムを促進する可能性がある。
本稿では,BERTモデルをトレーニングすることで,KGを応答生成プロセスに統合する新しいアーキテクチャを提案する。
KGのkホップ部分グラフは、グラフラプラシアンのトレーニングと推論の間にモデルに組み込まれている。
論文 参考訳(メタデータ) (2021-03-30T12:36:00Z) - KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain
Knowledge-Based VQA [107.7091094498848]
VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。
本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。
知識表現と推論には2つのタイプがあります。
まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
論文 参考訳(メタデータ) (2020-12-20T20:13:02Z) - GraphDialog: Integrating Graph Knowledge into End-to-End Task-Oriented
Dialogue Systems [9.560436630775762]
エンドツーエンドのタスク指向対話システムは,平易なテキスト入力から直接システム応答を生成することを目的としている。
1つは、外部知識ベース(KB)を学習フレームワークに効果的に組み込む方法であり、もう1つは、対話履歴のセマンティクスを正確に捉える方法である。
この2つの課題は、知識ベースと対話の依存性解析ツリーにおけるグラフ構造情報を活用することで解決される。
論文 参考訳(メタデータ) (2020-10-04T00:04:40Z) - Knowledge-graph based Proactive Dialogue Generation with Improved
Meta-Learning [0.0]
本稿では,知識グラフに基づく3つのコンポーネントを用いたプロアクティブ対話生成モデル(KgDg)を提案する。
知識三重項の埋め込みと選択については、文の埋め込みの問題として定式化し、意味情報をよりよく捉える。
改良されたMAMLアルゴリズムは,限られた知識グラフから一般的な特徴を学習することができる。
論文 参考訳(メタデータ) (2020-04-19T08:41:12Z)
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。