論文の概要: Query-Response Interactions by Multi-tasks in Semantic Search for Chatbot Candidate Retrieval

• arxiv url: http://arxiv.org/abs/2208.11018v1
• Date: Tue, 23 Aug 2022 15:07:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 13:08:47.800615
• Title: Query-Response Interactions by Multi-tasks in Semantic Search for Chatbot Candidate Retrieval
• Title（参考訳）: チャットボット候補検索のための意味検索におけるマルチタスクによる問合せ応答インタラクション
• Authors: Libin Shi, Kai Zhang, Wenge Rong
• Abstract要約: 本稿では,マルチタスクに基づくセマンティックサーチニューラルネットワーク(MSSNN)を提案する。 この方法はSeq2Seqモデリングタスクを使用して、優れたクエリエンコーダを学習し、応答埋め込みを構築するために単語予測タスクを実行し、最終的に単純なマッチングモデルを実行し、ドット積スコアラを形成する。
• 参考スコア（独自算出の注目度）: 12.615150401073711
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic search for candidate retrieval is an important yet neglected problem in retrieval-based Chatbots, which aims to select a bunch of candidate responses efficiently from a large pool. The existing bottleneck is to ensure the model architecture having two points: 1) rich interactions between a query and a response to produce query-relevant responses; 2) ability of separately projecting the query and the response into latent spaces to apply efficiently in semantic search during online inference. To tackle this problem, we propose a novel approach, called Multitask-based Semantic Search Neural Network (MSSNN) for candidate retrieval, which accomplishes query-response interactions through multi-tasks. The method employs a Seq2Seq modeling task to learn a good query encoder, and then performs a word prediction task to build response embeddings, finally conducts a simple matching model to form the dot-product scorer. Experimental studies have demonstrated the potential of the proposed approach.
• Abstract（参考訳）: 候補検索のセマンティック検索は,検索ベースのチャットボットにおいて重要だが無視された問題であり,大規模プールから多数の候補応答を効率的に選択することを目的としている。 既存のボトルネックは、モデルアーキテクチャに2つのポイントがあることを保証することです。 1) クエリと応答の間のリッチなインタラクションは,クエリ関連応答を生成する。 2)オンライン推論において,クエリと応答を潜在空間に別途投影し,意味検索に効率的に適用する能力。 そこで本研究では,マルチタスクによる問合せ応答を実現する,候補検索のためのマルチタスクに基づくセマンティック検索ニューラルネットワーク (mssnn) を提案する。 この方法は、優れたクエリエンコーダを学習するためにseq2seqモデリングタスクを使用し、応答埋め込みを構築するためにワード予測タスクを実行し、最終的に単純なマッチングモデルを実行してdot-product scorerを形成する。 実験により提案手法の可能性を実証した。

関連論文リスト

• SRSA: A Cost-Efficient Strategy-Router Search Agent for Real-world Human-Machine Interactions [3.5725872564627785]
  現実の状況では、ユーザーはしばしばコンテキストと高度にパーソナライズされたクエリをチャットボットに入力する。 これまでの研究は、人間と機械の対話のシナリオに特に焦点を絞ってはいなかった。 これらのギャップに対処するために、戦略ベース検索エージェント(SRSA)を提案する。 SRSAは、異なるクエリを適切な検索戦略にルーティングし、よりきめ細かいシリアル検索により、比較的低コストで高品質な結果を得ることができる。
  論文  参考訳（メタデータ） (2024-11-21T20:41:55Z)
• Benchmarking Multimodal Retrieval Augmented Generation with Dynamic VQA Dataset and Self-adaptive Planning Agent [102.31558123570437]
  マルチモーダル大規模言語モデル(MLLM)に固有の「ハロシン化」問題を緩和する上で,mRAG(Multimodal Retrieval Augmented Generation)が重要な役割を果たしている。 マルチモーダル検索のための自己適応型計画エージェントOmniSearchを提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:27:21Z)
• Aligning Query Representation with Rewritten Query and Relevance Judgments in Conversational Search [32.35446999027349]
  我々は、より優れたクエリ表現モデルをトレーニングするために、リライトされたクエリと会話検索データの関連判断の両方を活用する。 提案したモデル --Query Representation Alignment Conversational Retriever(QRACDR)は、8つのデータセットでテストされる。
  論文  参考訳（メタデータ） (2024-07-29T17:14:36Z)
• A Surprisingly Simple yet Effective Multi-Query Rewriting Method for Conversational Passage Retrieval [14.389703823471574]
  本稿では,複数のクエリを生成するためのニューラルクエリリライターを提案する。 ビーム検索アルゴリズムの動作方法を活用し、追加コストなしで複数のクエリリライトを生成できます。
  論文  参考訳（メタデータ） (2024-06-27T07:43:03Z)
• ACE: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  我々は、エンドツーエンドのクロスモーダル検索のための先駆的なジェネリッククロスモーダル rEtrieval framework (ACE) を提案する。 ACEは、クロスモーダル検索における最先端のパフォーマンスを達成し、Recall@1の強いベースラインを平均15.27%上回る。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• Phrase Retrieval for Open-Domain Conversational Question Answering with Conversational Dependency Modeling via Contrastive Learning [54.55643652781891]
  Open-Domain Conversational Question Answering (ODConvQA)は、マルチターン会話を通じて質問に答えることを目的としている。 そこで本研究では,単語列に対する句検索方式を用いて,回答を直接予測する手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T09:46:38Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• 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)
• Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
  本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。 我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-05-24T11:37:22Z)

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。