論文の概要: Improving Bot Response Contradiction Detection via Utterance Rewriting

• arxiv url: http://arxiv.org/abs/2207.11862v1
• Date: Mon, 25 Jul 2022 00:54:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-26 13:17:36.161033
• Title: Improving Bot Response Contradiction Detection via Utterance Rewriting
• Title（参考訳）: 発話書き換えによるボット応答矛盾検出の改善
• Authors: Di Jin, Sijia Liu, Yang Liu, Dilek Hakkani-Tur
• Abstract要約: 本研究の目的は,すべてのボット発話を書き換えて,先行詞やエリプシを復元することで,矛盾検出を改善することである。 我々はこのモデルがボット発話をより完璧にするために十分な書き直しを生成できることを実証的に実証した。 書き直された発話を使用することで、AUPRとジョイント精度スコア(証拠とともに矛盾を検出する)がそれぞれ6.5%と4.5%向上するなど、矛盾検出性能が大幅に向上する。
• 参考スコア（独自算出の注目度）: 45.55560596440624
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Though chatbots based on large neural models can often produce fluent responses in open domain conversations, one salient error type is contradiction or inconsistency with the preceding conversation turns. Previous work has treated contradiction detection in bot responses as a task similar to natural language inference, e.g., detect the contradiction between a pair of bot utterances. However, utterances in conversations may contain co-references or ellipsis, and using these utterances as is may not always be sufficient for identifying contradictions. This work aims to improve the contradiction detection via rewriting all bot utterances to restore antecedents and ellipsis. We curated a new dataset for utterance rewriting and built a rewriting model on it. We empirically demonstrate that this model can produce satisfactory rewrites to make bot utterances more complete. Furthermore, using rewritten utterances improves contradiction detection performance significantly, e.g., the AUPR and joint accuracy scores (detecting contradiction along with evidence) increase by 6.5% and 4.5% (absolute increase), respectively.
• Abstract（参考訳）: 大規模なニューラルモデルに基づくチャットボットは、オープンドメインの会話でよく流れる応答を生成するが、一つの顕著なエラータイプは、先行する会話の順番との矛盾や矛盾である。 これまでの研究は、ボット応答における矛盾検出を自然言語の推論に似たタスクとして扱ってきた。 しかし、会話における発話には共参照やエリプシスが含まれており、これらの発話は矛盾を特定するのに必ずしも十分ではない。 本研究の目的は,すべてのボット発話を書き換えて,先行詞やエリプシを復元することで,矛盾検出を改善することである。 発話書き換えのための新しいデータセットをキュレートし、その上に書き換えモデルを構築しました。 我々はこのモデルがボット発話をより完璧にするために十分な書き直しを生成できることを実証的に実証した。 さらに、書き直した発話を用いることで、AUPRとジョイント精度スコア(証拠とともに矛盾を検出する)のそれぞれ6.5%と4.5%(絶対増加)の矛盾検出性能が大幅に向上する。

関連論文リスト

• SparseCL: Sparse Contrastive Learning for Contradiction Retrieval [87.02936971689817]
  コントラディション検索(Contradiction Search)とは、クエリの内容に明示的に異を唱える文書を識別し、抽出することである。 類似性探索やクロスエンコーダモデルといった既存の手法には、大きな制限がある。 文間の微妙で矛盾したニュアンスを保存するために特別に訓練された文埋め込みを利用するSparseCLを導入する。
  論文  参考訳（メタデータ） (2024-06-15T21:57:03Z)
• Self-contradictory Hallucinations of Large Language Models: Evaluation, Detection and Mitigation [5.043563227694139]
  大規模な言語モデル(より大きなLM)は、幻覚的内容を含むテキストを生成できる。 各種の命令調整型LMの自己コントラクションに関する包括的調査を行う。 本稿では,自己矛盾を効果的に検出・緩和する新しいプロンプトベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:43:46Z)
• AutoReply: Detecting Nonsense in Dialogue Introspectively with Discriminative Replies [71.62832112141913]
  対話モデルは、不適切なメッセージを示す応答の確率を計算し、内観的に自分のメッセージの誤りを検出することができることを示す。 まず、手作りの返信は外交と同じくらい複雑なアプリケーションにおけるナンセンスを検出するタスクに有効であることを示す。 AutoReplyの生成した応答は手作りの応答よりも優れており、慎重に調整された大規模な教師付きモデルと同等に動作することがわかった。
  論文  参考訳（メタデータ） (2022-11-22T22:31:34Z)
• CDConv: A Benchmark for Contradiction Detection in Chinese Conversations [74.78715797366395]
  本稿では,中国会話におけるコントラクション検出のベンチマーク,すなわちCDConvを提案する。 12Kのマルチターン会話に3つの典型的な矛盾カテゴリ(文内コントラクション、ロールコンフュージョン、ヒストリーコントラクション)をアノテートする。
  論文  参考訳（メタデータ） (2022-10-16T11:37:09Z)
• Towards Robust Online Dialogue Response Generation [62.99904593650087]
  これは、トレーニングと実世界のテストの相違によって引き起こされる可能性がある、と私たちは主張する。 本稿では, 発話レベルサンプリングと半発話レベルサンプリングの両方からなる階層的サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2022-03-07T06:51:41Z)
• WikiContradiction: Detecting Self-Contradiction Articles on Wikipedia [8.755487474723994]
  ウィキペディアで自己比較記事を検出するタスクを提案する。 自己コントラクトリー」テンプレートに基づいて、自己コントラクション検出タスクのための新しいデータセットを作成する。 提案する最初のモデルであるPairwise Contradiction Neural Network (PCNN) は,自己矛盾項目を効果的に識別するだけでなく,矛盾文の最も矛盾するペアを強調している。
  論文  参考訳（メタデータ） (2021-11-16T15:12:37Z)
• I Beg to Differ: A study of constructive disagreement in online conversations [15.581515781839656]
  コンテンツ論争を含む7,425のwikipediaトークページ会話のコーパスを構築した。 モデレーターによる調停に不一致がエスカレートされるかどうかを予測するタスクを定義します。 我々は,様々なニューラルモデルを開発し,会話の構造を考慮すれば予測精度が向上することを示す。
  論文  参考訳（メタデータ） (2021-01-26T16:36:43Z)
• I like fish, especially dolphins: Addressing Contradictions in Dialogue Modeling [104.09033240889106]
  DialoguE Contradiction Detection Task(DECODE)と、人間とロボットの矛盾した対話の両方を含む新しい会話データセットを紹介します。 次に、事前学習したトランスフォーマーモデルを用いて、定型的非構造的アプローチと矛盾検出を行う構造的発話に基づくアプローチを比較する。
  論文  参考訳（メタデータ） (2020-12-24T18:47:49Z)

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。