論文の概要: Fast and Light-Weight Answer Text Retrieval in Dialogue Systems
- arxiv url: http://arxiv.org/abs/2205.14226v1
- Date: Fri, 27 May 2022 20:37:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 16:59:50.872799
- Title: Fast and Light-Weight Answer Text Retrieval in Dialogue Systems
- Title（参考訳）: 対話システムにおける高速・軽量回答テキスト検索
- Authors: Hui Wan, Siva Sankalp Patel, J. William Murdock, Saloni Potdar,
Sachindra Joshi
- Abstract要約: 本稿では,比較的安価なハードウェア上で大規模に大規模に動作可能な,高度なニューラル密度検索システムについて報告する。
私たちは、効果的で、高速で、コスト効率のよいソリューションを提供できることを示しています。
- 参考スコア（独自算出の注目度）: 15.216300440499516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dialogue systems can benefit from being able to search through a corpus of
text to find information relevant to user requests, especially when
encountering a request for which no manually curated response is available. The
state-of-the-art technology for neural dense retrieval or re-ranking involves
deep learning models with hundreds of millions of parameters. However, it is
difficult and expensive to get such models to operate at an industrial scale,
especially for cloud services that often need to support a big number of
individually customized dialogue systems, each with its own text corpus. We
report our work on enabling advanced neural dense retrieval systems to operate
effectively at scale on relatively inexpensive hardware. We compare with
leading alternative industrial solutions and show that we can provide a
solution that is effective, fast, and cost-efficient.
- Abstract（参考訳）: 対話システムは、特に手動でキュレートされた応答が得られない要求に遭遇する場合、テキストのコーパスを検索して、ユーザ要求に関連する情報を見つけることができる。
ニューラルネットワークの高密度検索や再ランクのための最先端技術には、数億のパラメータを持つディープラーニングモデルが含まれる。
しかし、このようなモデルを産業規模で運用することは困難で費用がかかる。特に、個別にカスタマイズされた対話システムの多くをサポートする必要があるクラウドサービスには、それぞれ独自のテキストコーパスがある。
我々は,比較的安価なハードウェア上で,高度なニューラルネットワークの高密度検索システムが効果的に動作するようにするための取り組みについて報告する。
先進的な代替産業ソリューションと比較し、効果的で高速でコスト効率の良いソリューションを提供できることを示した。
関連論文リスト
- Identifying Banking Transaction Descriptions via Support Vector Machine Short-Text Classification Based on a Specialized Labelled Corpus [7.046417074932257]
本稿では,自然言語処理技術と機械学習アルゴリズムを組み合わせて,銀行取引記述を分類する新しいシステムについて述べる。
また,スパム検出における既存のソリューションに触発されて,ジャカード距離に基づくトレーニングセットサイズの削減を目的とした,短いテキスト類似度検出手法を提案する。
Google PlayとApp Storeで利用可能なパーソナルファイナンスアプリケーションCoinScrapのユースケースを提示する。
論文 参考訳（メタデータ） (2024-03-29T13:15:46Z) - UniRQR: A Unified Model for Retrieval Decision, Query, and Response
Generation in Internet-Based Knowledge Dialogue Systems [8.724141214921314]
インターネット検索による知識ベースの対話システムは、通常、検索決定、クエリ生成、レスポンス生成の3つのタスクに分けられる。
我々の研究は、プロンプトおよびマルチタスク学習アプローチによって促進される単一の統一モデルを用いることで、この監視に対処する。
これらの機能を統合することで、事前訓練されたモデルの潜在能力をフル活用し、複数のモデルのデプロイに伴う複雑さとコストを削減する。
論文 参考訳（メタデータ） (2024-01-11T06:09:15Z) - Search-Engine-augmented Dialogue Response Generation with Cheaply
Supervised Query Production [98.98161995555485]
応答生成のために,任意の検索エンジンから膨大な動的情報にアクセス可能な対話モデルを提案する。
コアモジュールとして、クエリプロデューサを使用して、対話コンテキストからクエリを生成して、検索エンジンと対話する。
R@1とR@5のレートを62.4%と74.8%で達成できることを示す実験を行った。
論文 参考訳（メタデータ） (2023-02-16T01:58:10Z) - CorpusBrain: Pre-train a Generative Retrieval Model for
Knowledge-Intensive Language Tasks [62.22920673080208]
単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。
我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
論文 参考訳（メタデータ） (2022-08-16T10:22:49Z) - Building a Personalized Dialogue System with Prompt-Tuning [5.942602139622984]
与えられた文字設定(ペルソナ)に基づいて応答する対話システムを構築する。
本稿では,事前学習された大規模言語モデルに対して,学習コストの低いプロンプトチューニングを利用する手法を提案する。
論文 参考訳（メタデータ） (2022-06-11T02:21:11Z) - Quick Starting Dialog Systems with Paraphrase Generation [0.0]
本稿では,既存の事例からより多くのデータを人工的に生成することで,対話エージェント作成のコストと労力を削減する手法を提案する。
提案手法は,人間の努力がほとんどないダイアログシステムを起動し,実際のエンドユーザーとの対話を可能にするのに十分なレベルの性能を実現する。
論文 参考訳（メタデータ） (2022-04-06T02:35:59Z) - Towards Large-Scale Interpretable Knowledge Graph Reasoning for Dialogue
Systems [109.16553492049441]
よりスケーラブルで一般化可能な対話システムに知識推論機能を組み込む新しい手法を提案する。
我々の知識を最大限に活用するために、変圧器モデルが微分可能な知識グラフを解析して応答を生成するのは、これが初めてである。
論文 参考訳（メタデータ） (2022-03-20T17:51:49Z) - Findings from Experiments of On-line Joint Reinforcement Learning of
Semantic Parser and Dialogue Manager with real Users [3.9686445409447617]
本論文では,これらの困難を緩和する便利な方法として,オンライン学習を追求する。
新しい課題は、ユーザが生み出すオンライン学習のコストを制御することである。
論文 参考訳（メタデータ） (2021-10-25T18:51:41Z) - Few-Shot Bot: Prompt-Based Learning for Dialogue Systems [58.27337673451943]
ごく少数の例を使って会話を学ぶことは、会話型AIにおける大きな課題である。
現在の最良の会話モデルは、良いチャットシャッター(例:BlenderBot)またはゴール指向システム(例:MinTL)である。
グラデーションベースの微調整を必要とせず、学習の唯一の源としていくつかの例を用いるプロンプトベースの数ショット学習を提案する。
論文 参考訳（メタデータ） (2021-10-15T14:36:45Z) - Smoothing Dialogue States for Open Conversational Machine Reading [70.83783364292438]
本稿では,2つの対話状態を1つのデコーダとブリッジ決定と質問生成でスムーズにすることで,効果的なゲーティング戦略を提案する。
OR-ShARCデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2021-08-28T08:04:28Z) - Low-Resource Knowledge-Grounded Dialogue Generation [74.09352261943913]
我々は、限られた訓練例しか利用できないという自然な仮定のもと、知識基底による対話生成を考察する。
生成モデル全体から知識基底の対話に依存するパラメータを分離するために,不整合応答デコーダを考案する。
1/8のトレーニングデータだけで、我々のモデルは最先端のパフォーマンスを達成でき、ドメイン外の知識をうまく一般化できる。
論文 参考訳（メタデータ） (2020-02-24T16:20:32Z)
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。