論文の概要: Deploying a Retrieval based Response Model for Task Oriented Dialogues
- arxiv url: http://arxiv.org/abs/2210.14379v1
- Date: Tue, 25 Oct 2022 23:10:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 14:13:47.439697
- Title: Deploying a Retrieval based Response Model for Task Oriented Dialogues
- Title（参考訳）: タスク指向対話のための検索型応答モデルの構築
- Authors: Lahari Poddar, Gy\"orgy Szarvas, Cheng Wang, Jorge Balazs, Pavel
Danchenko and Patrick Ernst
- Abstract要約: タスク指向の対話システムは会話能力が高く、状況の変化に容易に適応でき、ビジネス上の制約に適合する必要がある。
本稿では,これらの基準を満たす対話モデルを開発するための3段階の手順について述べる。
- 参考スコア（独自算出の注目度）: 8.671263996400844
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Task-oriented dialogue systems in industry settings need to have high
conversational capability, be easily adaptable to changing situations and
conform to business constraints. This paper describes a 3-step procedure to
develop a conversational model that satisfies these criteria and can
efficiently scale to rank a large set of response candidates. First, we provide
a simple algorithm to semi-automatically create a high-coverage template set
from historic conversations without any annotation. Second, we propose a neural
architecture that encodes the dialogue context and applicable business
constraints as profile features for ranking the next turn. Third, we describe a
two-stage learning strategy with self-supervised training, followed by
supervised fine-tuning on limited data collected through a human-in-the-loop
platform. Finally, we describe offline experiments and present results of
deploying our model with human-in-the-loop to converse with live customers
online.
- Abstract（参考訳）: 産業環境でのタスク指向の対話システムは、会話能力が高く、状況の変化に容易に適応でき、ビジネス上の制約に適合する必要がある。
本稿では,これらの基準を満たし,多数の応答候補のランク付けに効率的にスケールできる会話モデルを開発するための3段階の手順について述べる。
まず、アノテーションを使わずに歴史的会話から高カバレッジテンプレートセットを半自動生成する簡単なアルゴリズムを提案する。
第2に,対話コンテキストを符号化し,ビジネス制約を次のターンにランク付けするためのプロファイル特徴として適用するニューラルアーキテクチャを提案する。
第3に,自己教師付きトレーニングによる2段階学習戦略と,ヒューマンインザループプラットフォームで収集した限られたデータに対する教師付き微調整について述べる。
最後に、オフライン実験について述べ、実際の顧客とオンラインで会話するために、私たちのモデルをHuman-in-the-loopでデプロイした結果を示す。
関連論文リスト
- SSP: Self-Supervised Post-training for Conversational Search [63.28684982954115]
本稿では,対話型検索モデルを効率的に初期化するための3つの自己教師型タスクを備えた学習後パラダイムであるフルモデル(モデル)を提案する。
提案手法の有効性を検証するために,CAsT-19 と CAsT-20 の2つのベンチマークデータセットを用いて,会話検索タスクにモデルにより訓練後の会話エンコーダを適用した。
論文 参考訳（メタデータ） (2023-07-02T13:36:36Z) - Stabilized In-Context Learning with Pre-trained Language Models for Few
Shot Dialogue State Tracking [57.92608483099916]
大規模事前学習言語モデル(PLM)は、多くのNLPタスクにまたがる優れた性能を示している。
対話状態追跡(DST)のようなより複雑なタスクでは、望ましい意図を確実に伝達するプロンプトを設計するのは簡単ではない。
対話文の長さを制限するためのサリエンシモデルを導入し、クエリ毎に多くの例を含めることができます。
論文 参考訳（メタデータ） (2023-02-12T15:05:10Z) - He Said, She Said: Style Transfer for Shifting the Perspective of
Dialogues [75.58367095888914]
そこで本研究では,対話を非公式な初対人から形式的な第三者に書き換える視点シフト(spective shift)という,新たなスタイル転送タスクを定義した。
サンプルアプリケーションとして,対話要約データセット(SAMSum)への視点シフトの適用により,抽出ニュース要約モデルのゼロショット性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2022-10-27T14:16:07Z) - GODEL: Large-Scale Pre-Training for Goal-Directed Dialog [119.1397031992088]
ダイアログのための大規模事前学習言語モデルであるGODELを紹介する。
GODELは、数ショットの微調整設定で、最先端の事前訓練ダイアログモデルより優れていることを示す。
評価手法の新たな特徴は,応答の有用性を評価するユーティリティの概念の導入である。
論文 参考訳（メタデータ） (2022-06-22T18:19:32Z) - An End-to-End Dialogue Summarization System for Sales Calls [6.637304164559086]
本稿では,ユーザエージェント設定用に微調整された生成モデルと,対話型要約キュレーションプロセスのためのユーザエクスペリエンスを組み合わせた生産システムを提案する。
本稿では,長時間の対話,コンテンツ検証,ラベル付きデータの欠如,品質評価など,現実世界における対話要約タスクの課題に対処する。
論文 参考訳（メタデータ） (2022-04-27T14:02:50Z) - 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 Generalized Models for Task-oriented Dialogue Modeling on Spoken
Conversations [22.894541507068933]
本稿では,DSTC-10の音声対話課題における知識ベースタスク指向対話モデリングのための一般化モデルの構築について述べる。
我々は,人工誤り注入やラウンドトリップ音声変換など,手書きデータに対する広範なデータ拡張戦略を採用している。
本手法は, 客観的評価では3位, 最終公式評価では2位である。
論文 参考訳（メタデータ） (2022-03-08T12:26:57Z) - Adapting Document-Grounded Dialog Systems to Spoken Conversations using
Data Augmentation and a Noisy Channel Model [46.93744191416991]
第10回ダイアログ・システム・テクノロジー・チャレンジ(DSTC10)第2章の報告を要約する。
このタスクは3つのサブタスクから構成される: ターンが知識を求めるかどうかを検知し、関連する知識文書を選択し、最後に接地された応答を生成する。
ベストシステムは,課題の人的評価において,第1位,第3位を達成できた。
論文 参考訳（メタデータ） (2021-12-16T12:51:52Z) - 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) - Modeling Long Context for Task-Oriented Dialogue State Generation [51.044300192906995]
本稿では,シンプルで効果的な発話タグ付け手法と双方向言語モデルを用いたマルチタスク学習モデルを提案する。
提案手法は,入力対話コンテキストシーケンスが長い場合に,ベースラインの性能が著しく低下する,という問題を解決する。
本実験では,MultiWOZ 2.0データセットにおいて,ベースラインに対して7.03%の相対的改善を実現し,新しい最先端のジョイントゴール精度を52.04%に設定した。
論文 参考訳（メタデータ） (2020-04-29T11:02:25Z)
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。