論文の概要: Enhanced Knowledge Selection for Grounded Dialogues via Document Semantic Graphs

• arxiv url: http://arxiv.org/abs/2206.07296v1
• Date: Wed, 15 Jun 2022 04:51:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 14:23:14.259917
• Title: Enhanced Knowledge Selection for Grounded Dialogues via Document Semantic Graphs
• Title（参考訳）: 文書意味グラフによる接地対話の知識選択の強化
• Authors: Sha Li, Madhi Namazifar, Di Jin, Mohit Bansal, Heng Ji, Yang Liu, Dilek Hakkani-Tur
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 123.50636090341236
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Providing conversation models with background knowledge has been shown to make open-domain dialogues more informative and engaging. Existing models treat knowledge selection as a sentence ranking or classification problem where each sentence is handled individually, ignoring the internal semantic connection among sentences in the background document. In this work, we propose to automatically convert the background knowledge documents into document semantic graphs and then perform knowledge selection over such graphs. Our document semantic graphs preserve sentence-level information through the use of sentence nodes and provide concept connections between sentences. We jointly apply multi-task learning for sentence-level and concept-level knowledge selection and show that it improves sentence-level selection. Our experiments show that our semantic graph-based knowledge selection improves over sentence selection baselines for both the knowledge selection task and the end-to-end response generation task on HollE and improves generalization on unseen topics in WoW.
• Abstract（参考訳）: 背景知識を持つ会話モデルを提供することで、オープンドメイン対話をより情報的かつ活発なものにすることが示されている。 既存のモデルは、各文が個別に扱われる文ランキングや分類問題として知識選択を扱い、背景文書中の文の内部意味的関係を無視している。 本研究では,背景知識文書を自動的に文書意味グラフに変換し,その上で知識選択を行うことを提案する。 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。 マルチタスク学習を文レベルの知識選択と概念レベルの知識選択に適用し,文レベルの選択を改善することを示す。 本実験は,知識選択タスクとHollEのエンドツーエンド応答生成タスクの両方において,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向上し,WoWにおける未知トピックの一般化が向上することを示す。

関連論文リスト

• Word and Phrase Features in Graph Convolutional Network for Automatic Question Classification [0.7405975743268344]
  本稿では,グラフ畳み込みネットワーク(GCN)を利用した質問の固有構造をモデル化する手法を提案する。 質問をグラフとして表現することにより、GCNが言語間の相互接続性からより効果的に学習できるようにする。 以上の結果から,GCNは句ベースの特徴を付加したものであり,より正確で文脈に配慮した質問分類のための有望な解であることがわかった。
  論文  参考訳（メタデータ） (2024-09-04T07:13:30Z)
• Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems [58.561904356651276]
  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)
• Conversational Semantic Parsing using Dynamic Context Graphs [68.72121830563906]
  汎用知識グラフ(KG)を用いた会話意味解析の課題を,数百万のエンティティと数千のリレーショナルタイプで検討する。 ユーザ発話を実行可能な論理形式にインタラクティブにマッピングできるモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2023-05-04T16:04:41Z)
• The Short Text Matching Model Enhanced with Knowledge via Contrastive Learning [8.350445155753167]
  本稿では,コントラスト学習と外部知識を組み合わせた短いテキストマッチングモデルを提案する。 ノイズを避けるため、原文の主文としてキーワードを用いて、知識ベースで対応する知識語を検索する。 設計モデルは,2つの公開可能な中国語テキストマッチングデータセット上で,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-04-08T03:24:05Z)
• Multi-Sentence Knowledge Selection in Open-Domain Dialogue [11.936691632841388]
  オープンドメイン会話知識選択の現況を評価する。 We create a augmented dataset based on the Wizard of Wikipedia (WOW) corpus。 WOW++は、対話コンテキストごとに8つの関連する知識文を平均化する。
  論文  参考訳（メタデータ） (2022-03-01T22:07:05Z)
• Variational Learning for Unsupervised Knowledge Grounded Dialogs [6.761874595503588]
  知識基底ダイアログの最近の手法は,外部文書からの情報を取り入れて応答を生成する。 我々は上記の手法に対する変分的アプローチを開発し、代わりにエビデンスローバウンド(ELBO)を最大化する。 我々の知識を最大限に活用するために、我々は、オープンスケールの教師なし知識ベースダイアログシステムに変分訓練を適用した最初の人物である。
  論文  参考訳（メタデータ） (2021-11-23T13:41:03Z)
• Reasoning in Dialog: Improving Response Generation by Context Reading Comprehension [49.92173751203827]
  マルチターンダイアログでは、発話が文の完全な形を取るとは限らない。 読み解きの質問に答えるモデルの能力を検討し、応答生成性能の向上を提案する。
  論文  参考訳（メタデータ） (2020-12-14T10:58:01Z)
• Exploiting Structured Knowledge in Text via Graph-Guided Representation Learning [73.0598186896953]
  本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。 エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。 既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
  論文  参考訳（メタデータ） (2020-04-29T14:22:42Z)
• 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)
• Sequential Latent Knowledge Selection for Knowledge-Grounded Dialogue [51.513276162736844]
  この問題に対する最初のアプローチとして,逐次潜在変数モデルを提案する。 シーケンシャル・ナレッジ・トランスフォーマー (SKT) という名前のモデルは、知識よりも先行と後続の分布を追跡することができる。
  論文  参考訳（メタデータ） (2020-02-18T11:59:59Z)

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。