論文の概要: Team Flow at DRC2022: Pipeline System for Travel Destination Recommendation Task in Spoken Dialogue

• arxiv url: http://arxiv.org/abs/2210.09518v1
• Date: Tue, 18 Oct 2022 01:11:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 13:28:40.215653
• Title: Team Flow at DRC2022: Pipeline System for Travel Destination Recommendation Task in Spoken Dialogue
• Title（参考訳）: DRC2022のチームフロー:音声対話における旅行先推薦作業のためのパイプラインシステム
• Authors: Ryu Hirai, Atsumoto Ohashi, Ao Guo, Hideki Shiroma, Xulin Zhou, Yukihiko Tone, Shinya Iizuka, Ryuichiro Higashinaka
• Abstract要約: 4つのモジュールを含むパイプライン構造を持つ対話システムを構築した。 自然言語理解(NLU)と自然言語生成(NLG)モジュールはGPT-2ベースのモデルである。 対話状態追跡(DST)とポリシーモジュールは手作りルールに基づいて設計された。
• 参考スコア（独自算出の注目度）: 1.3984114526463407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To improve the interactive capabilities of a dialogue system, e.g., to adapt to different customers, the Dialogue Robot Competition (DRC2022) was held. As one of the teams, we built a dialogue system with a pipeline structure containing four modules. The natural language understanding (NLU) and natural language generation (NLG) modules were GPT-2 based models, and the dialogue state tracking (DST) and policy modules were designed on the basis of hand-crafted rules. After the preliminary round of the competition, we found that the low variation in training examples for the NLU and failed recommendation due to the policy used were probably the main reasons for the limited performance of the system.
• Abstract（参考訳）: 対話システムの対話性を改善するため,対話ロボットコンペティション(DRC2022)が開催された。 チームのひとつとして、4つのモジュールを含むパイプライン構造を備えた対話システムを構築しました。 自然言語理解(NLU)と自然言語生成(NLG)モジュールはGPT-2ベースのモデルであり、対話状態追跡(DST)とポリシーモジュールは手作りのルールに基づいて設計された。 大会の予備戦の後,NLUのトレーニング例の低変量と,使用方針による推奨の失敗が,システムの性能の限界の主な原因であることが判明した。

関連論文リスト

• LEEETs-Dial: Linguistic Entrainment in End-to-End Task-oriented Dialogue systems [0.0]
  GPT-2に基づくエンドツーエンドのタスク指向対話システムにおいて,対話学習を実現する手法を提案する。 我々は、トレーニングインスタンスの重み付け、トレーニング固有の損失、およびユーザーと一致した応答を生成するための追加条件付けを実験した。
  論文  参考訳（メタデータ） (2023-11-15T21:35:25Z)
• Plug-and-Play Policy Planner for Large Language Model Powered Dialogue Agents [121.46051697742608]
  そこで本稿では,PDPPという言語モデルプラグインを用いて対話問題を整理するための新たな対話ポリシー計画パラダイムを提案する。 具体的には、利用可能な人間の注釈付きデータに対する教師付き微調整を容易にするための新しいトレーニングフレームワークを開発する。 PPDPPは3つの異なるプロアクティブな対話アプリケーションにおいて、既存のアプローチを一貫して、実質的に上回っている。
  論文  参考訳（メタデータ） (2023-11-01T03:20:16Z)
• JoTR: A Joint Transformer and Reinforcement Learning Framework for Dialog Policy Learning [53.83063435640911]
  対話政策学習(DPL)は対話モデリングの重要な構成要素である。 フレキシブルな対話行動を生成するための新しいフレームワークであるJoTRを導入する。 従来の方法とは異なり、JoTRはよりダイナミックで適応可能な対話アクション生成を可能にするワードレベルのポリシーを定式化している。
  論文  参考訳（メタデータ） (2023-09-01T03:19:53Z)
• Controllable Mixed-Initiative Dialogue Generation through Prompting [50.03458333265885]
  混合開始対話タスクには、情報の繰り返し交換と会話制御が含まれる。 エージェントは、ポリシープランナーが定める特定の対話意図や戦略に従う応答を生成することにより、コントロールを得る。 標準的なアプローチは、これらの意図に基づいて生成条件を実行するために、訓練済みの言語モデルを微調整している。 代わりに、条件生成の微調整に代えて、大きな言語モデルをドロップインで置き換えるように促します。
  論文  参考訳（メタデータ） (2023-05-06T23:11:25Z)
• SPACE-3: Unified Dialog Model Pre-training for Task-Oriented Dialog Understanding and Generation [123.37377363355363]
  SPACE-3は、大規模対話コーパスから学習する、新しい半教師付き会話モデルである。 幅広いダウンストリームダイアログタスクを効果的に微調整できる。 その結果、SPACE-3は8つの下流ダイアログベンチマークで最先端のパフォーマンスを達成することがわかった。
  論文  参考訳（メタデータ） (2022-09-14T14:17:57Z)
• UniDS: A Unified Dialogue System for Chit-Chat and Task-oriented Dialogues [59.499965460525694]
  上記の2つのスキルを備えた統合対話システム(UniDS)を提案する。 我々は、チャットとタスク指向の対話の両方に対応可能な統合対話データスキーマを設計する。 我々は、事前訓練されたチャット対話モデルから混合対話データでUniDSを訓練する。
  論文  参考訳（メタデータ） (2021-10-15T11:56:47Z)
• Taming the Beast: Learning to Control Neural Conversational Models [10.407021682762075]
  本論文は,タスク指向およびチャットシナリオにおける深層学習に基づく,エンドツーエンドな生成対話システムの制御可能性について考察する。 生成的対話システムの制御のさまざまな側面について検討し,その制御方法とトピックスについて考察する。
  論文  参考訳（メタデータ） (2021-08-24T07:58:16Z)
• Integrating Pre-trained Model into Rule-based Dialogue Management [32.90885176553305]
  ルールベースの対話管理は、まだ産業用タスク指向対話システムのための最も人気のあるソリューションです。 データ駆動対話システム(通常はエンドツーエンド構造)は学術研究で人気がある。 本稿ではルールベースとデータ駆動型ダイアログマネージャの長所を活用する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-17T03:44:22Z)
• Modelling Hierarchical Structure between Dialogue Policy and Natural Language Generator with Option Framework for Task-oriented Dialogue System [49.39150449455407]
  HDNOは、特定の対話行為表現の設計を避けるために潜在対話行為を設計するためのオプションフレームワークである。 RL,LaRL,HDSAで学習した単語レベルE2Eモデルと比較して,マルチドメイン対話のデータセットであるMultiWoz 2.0とMultiWoz 2.1でHDNOをテストする。
  論文  参考訳（メタデータ） (2020-06-11T20:55:28Z)

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。