論文の概要: Mind the Knowledge Gap: A Survey of Knowledge-enhanced Dialogue Systems
- arxiv url: http://arxiv.org/abs/2212.09252v1
- Date: Mon, 19 Dec 2022 05:17:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 15:01:01.338209
- Title: Mind the Knowledge Gap: A Survey of Knowledge-enhanced Dialogue Systems
- Title(参考訳): 知識ギャップを念頭に置いて--知識強化対話システムに関する調査研究
- Authors: Sagi Shaier, Lawrence Hunter, Katharina Kann
- Abstract要約: 本研究は,知識強化対話システムに関する第1回調査である。
本研究では,知識を用いたDSの強化,使用済みデータセット,知識検索,知識エンコーディング,知識導入のための手法について調査する。
本稿では,言語学と認知科学の理論に基づく既存システムの改善手法を提案する。
- 参考スコア(独自算出の注目度): 20.6788155478186
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many dialogue systems (DSs) lack characteristics humans have, such as emotion
perception, factuality, and informativeness. Enhancing DSs with knowledge
alleviates this problem, but, as many ways of doing so exist, keeping track of
all proposed methods is difficult. Here, we present the first survey of
knowledge-enhanced DSs. We define three categories of systems - internal,
external, and hybrid - based on the knowledge they use. We survey the
motivation for enhancing DSs with knowledge, used datasets, and methods for
knowledge search, knowledge encoding, and knowledge incorporation. Finally, we
propose how to improve existing systems based on theories from linguistics and
cognitive science.
- Abstract(参考訳): 多くの対話システム(dss)は、感情知覚、事実性、情報性などの特徴を欠いている。
知識によるDSの強化はこの問題を軽減するが、多くの方法が存在するため、提案手法の追跡は困難である。
本稿では,知識強化dssに関する最初の調査を行う。
使用する知識に基づいて、システムの内部、外部、ハイブリッドの3つのカテゴリを定義します。
本研究では,知識を用いたDSの強化,使用済みデータセット,知識検索,知識エンコーディング,知識導入のための手法について調査する。
最後に,言語学と認知科学の理論に基づく既存システムの改善手法を提案する。
関連論文リスト
- Beyond Factuality: A Comprehensive Evaluation of Large Language Models
as Knowledge Generators [78.63553017938911]
大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。
しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。
本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
論文 参考訳(メタデータ) (2023-10-11T08:22:37Z) - Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。
本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
論文 参考訳(メタデータ) (2022-11-30T03:44:15Z) - COPEN: Probing Conceptual Knowledge in Pre-trained Language Models [60.10147136876669]
概念的知識は人間の認知と知識基盤の基本である。
既存の知識探索作業は、事前訓練された言語モデル(PLM)の事実知識のみに焦点を当て、概念知識を無視する。
PLMが概念的類似性によってエンティティを編成し、概念的特性を学習し、コンテキスト内でエンティティを概念化するかどうかを調査する3つのタスクを設計する。
タスクのために、393のコンセプトをカバーする24kのデータインスタンスを収集、注釈付けします。
論文 参考訳(メタデータ) (2022-11-08T08:18:06Z) - DialoKG: Knowledge-Structure Aware Task-Oriented Dialogue Generation [9.186215038100904]
本稿では,言語モデルに知識を効果的に組み込んだタスク指向対話システムであるDialoKGを提案する。
提案システムでは,リレーショナル知識を知識グラフとみなし,構造認識型知識埋め込み技術を導入する。
実験的な評価は、いくつかの標準ベンチマークデータセットにおける最先端手法に対するDialoKGの有効性を示す。
論文 参考訳(メタデータ) (2022-04-19T22:26:18Z) - Knowledge-Grounded Dialogue Generation with a Unified Knowledge
Representation [78.85622982191522]
既存のシステムは、トレーニングデータでカバーされる限られたトピックのために、目に見えないトピックでうまく機能しない。
本稿では,異なる知識源を均質化した言語モデルであるPLUGについて述べる。
完全に教師された設定の下で最先端のメソッドと同等のパフォーマンスを達成することができる。
論文 参考訳(メタデータ) (2021-12-15T07:11:02Z) - HyKnow: End-to-End Task-Oriented Dialog Modeling with Hybrid Knowledge
Management [58.82499963373537]
ハイブリッドナレッジ管理のTODシステム「HyKnow」を提案します。
構造的知識と非構造的知識の両方を管理するための信念状態を拡張する。
この2つの知識に基づくモデリングを共同で最適化した最初のエンドツーエンドモデルである。
論文 参考訳(メタデータ) (2021-05-13T01:58:39Z) - Prediction, Selection, and Generation: Exploration of Knowledge-Driven
Conversation System [24.537862151735006]
オープンドメインの会話システムでは、背景知識を活用することは重要だが難しい。
知識ベースと事前学習モデルを組み合わせて,知識駆動会話システムを提案する。
知識駆動対話の生成に影響を与える可能性のあるパフォーマンス要因について検討する。
論文 参考訳(メタデータ) (2021-04-23T07:59:55Z) - Towards a Universal Continuous Knowledge Base [49.95342223987143]
複数のニューラルネットワークからインポートされた知識を格納できる継続的知識基盤を構築する方法を提案する。
テキスト分類実験は有望な結果を示す。
我々は複数のモデルから知識ベースに知識をインポートし、そこから融合した知識を単一のモデルにエクスポートする。
論文 参考訳(メタデータ) (2020-12-25T12:27:44Z) - A Survey of Document Grounded Dialogue Systems (DGDS) [29.17161275640516]
背景知識に基づいて対話システム(DS)を分類する。
文書基盤対話システム(DGDS)を,対話が与えられた文書に集中しているDSとして定義する。
DGDSの研究は幅広い応用可能性を持っているだけでなく、AIが人間の知識や自然言語をよりよく理解できるようにする。
論文 参考訳(メタデータ) (2020-04-17T03:22:28Z)
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。