論文の概要: KILDST: Effective Knowledge-Integrated Learning for Dialogue State
Tracking using Gazetteer and Speaker Information
- arxiv url: http://arxiv.org/abs/2301.07341v1
- Date: Wed, 18 Jan 2023 07:11:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-19 16:36:18.160553
- Title: KILDST: Effective Knowledge-Integrated Learning for Dialogue State
Tracking using Gazetteer and Speaker Information
- Title（参考訳）: KILDST:ガゼッタと話者情報を用いた対話状態追跡のための効果的な知識統合学習
- Authors: Hyungtak Choi, Hyeonmok Ko, Gurpreet Kaur, Lohith Ravuru, Kiranmayi
Gandikota, Manisha Jhawar, Simma Dharani, Pranamya Patil
- Abstract要約: 対話状態追跡(DST)は、対話システムにおける中核的な研究であり、多くの注目を集めている。
ユーザ間の対話に対処できる新たな問題を,ユーザ間の対話から情報を抽出し,推奨する対話型AIへのステップとして定義する必要がある。
イベントのスケジューリングに関するユーザ間の対話(DST-S)からの新しいタスクDSTを導入する。
DST-Sタスクは、ユーザ間の対話における対話を理解し、追跡し、誰がスケジュールを提案し、誰が提案されたスケジュールに同意したかを理解する必要があるため、はるかに難しい。
- 参考スコア（独自算出の注目度）: 3.342637296393915
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dialogue State Tracking (DST) is core research in dialogue systems and has
received much attention. In addition, it is necessary to define a new problem
that can deal with dialogue between users as a step toward the conversational
AI that extracts and recommends information from the dialogue between users.
So, we introduce a new task - DST from dialogue between users about scheduling
an event (DST-USERS). The DST-USERS task is much more challenging since it
requires the model to understand and track dialogue states in the dialogue
between users and to understand who suggested the schedule and who agreed to
the proposed schedule. To facilitate DST-USERS research, we develop dialogue
datasets between users that plan a schedule. The annotated slot values which
need to be extracted in the dialogue are date, time, and location. Previous
approaches, such as Machine Reading Comprehension (MRC) and traditional DST
techniques, have not achieved good results in our extensive evaluations. By
adopting the knowledge-integrated learning method, we achieve exceptional
results. The proposed model architecture combines gazetteer features and
speaker information efficiently. Our evaluations of the dialogue datasets
between users that plan a schedule show that our model outperforms the baseline
model.
- Abstract（参考訳）: 対話状態追跡 (dst) は対話システムの中核研究であり, 注目を集めている。
さらに、ユーザ間の対話から情報を抽出・推薦する会話型aiに向けたステップとして、ユーザ間の対話を扱うことができる新しい問題を定義する必要がある。
そこで我々は,イベントスケジューリング(DST-USERS)に関するユーザ間の対話から,新しいタスクDSTを導入する。
DST-USERSタスクは、ユーザ間の対話状態を理解し、追跡し、誰がスケジュールを提案し、誰が提案スケジュールに同意するかを理解する必要があるため、はるかに難しい。
dst-users researchを容易にするために,スケジュールを計画するユーザ間の対話データセットを開発する。
対話で抽出する必要がある注釈付きスロット値は、日付、時間、場所である。
従来,Machine Reading Comprehension (MRC) や従来のDST技術のような手法は,我々の広範囲な評価において,良い結果を得られなかった。
知識統合学習法を採用することで,優れた結果が得られる。
提案するモデルアーキテクチャは,ガゼッタの特徴と話者情報を効率的に結合する。
スケジュールを計画するユーザ間の対話データセットの評価から,モデルがベースラインモデルより優れていることを示す。
関連論文リスト
- Turn-Level Active Learning for Dialogue State Tracking [44.752369492979064]
対話状態追跡(DST)はタスク指向対話システムにおいて重要な役割を果たす。
そこで我々はDSTのための新しいターンレベルアクティブラーニングフレームワークを提案し,対話中のターンをアノテートするために積極的に選択する。
論文 参考訳（メタデータ） (2023-10-23T02:53:46Z) - Dialogue State Distillation Network with Inter-Slot Contrastive Learning
for Dialogue State Tracking [25.722458066685046]
対話状態追跡(DST)は,対話履歴からユーザの意図を抽出することを目的としている。
現在、既存のほとんどのアプローチはエラーの伝播に悩まされており、関連する情報を動的に選択することはできない。
本稿では,従来の対話状態の関連情報を活用するために,対話状態蒸留ネットワーク(DSDN)を提案する。
論文 参考訳（メタデータ） (2023-02-16T11:05:24Z) - DiSTRICT: Dialogue State Tracking with Retriever Driven In-Context
Tuning [7.5700317050237365]
対話状態追跡(DST)のための一般化可能なインコンテキストチューニング手法であるDiSTRICTを提案する。
DSTRICTは、手作りのテンプレートを使わずにモデルを微調整するために、与えられた対話のための非常に関連性の高いトレーニング例を検索する。
MultiWOZベンチマークデータセットによる実験では、DiSTRICTは、さまざまなゼロショットおよび少数ショット設定において、既存のアプローチよりも優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2022-12-06T09:40:15Z) - CGoDial: A Large-Scale Benchmark for Chinese Goal-oriented Dialog
Evaluation [75.60156479374416]
CGoDialは、Goal指向のダイアログ評価のための、新しい挑戦的で包括的な中国のベンチマークである。
96,763のダイアログセッションと574,949のダイアログがすべて含まれており、異なる知識ソースを持つ3つのデータセットをカバーする。
学術ベンチマークと音声対話のシナリオのギャップを埋めるために、実際の会話からデータを収集したり、クラウドソーシングを通じて既存のデータセットに音声機能を追加する。
論文 参考訳（メタデータ） (2022-11-21T16:21:41Z) - OPAL: Ontology-Aware Pretrained Language Model for End-to-End
Task-Oriented Dialogue [40.62090743056549]
本稿では、エンドツーエンドタスク指向対話(TOD)のためのオントロジー対応事前学習言語モデル(OPAL)を提案する。
チャット型対話モデルとは異なり、タスク指向対話モデルは少なくとも2つのタスク固有モジュールを満たす:対話状態トラッカー(DST)と応答生成器(RG)。
論文 参考訳（メタデータ） (2022-09-10T04:38:27Z) - KETOD: Knowledge-Enriched Task-Oriented Dialogue [77.59814785157877]
対話システム研究における既存の研究は、主にタスク指向の対話とチャットを独立したドメインとして扱う。
本研究では,タスク指向対話と知識ベースチップチャットを一つのモデルに効果的に統合する方法について検討する。
論文 参考訳（メタデータ） (2022-05-11T16:01:03Z) - Structure Extraction in Task-Oriented Dialogues with Slot Clustering [94.27806592467537]
タスク指向対話では、対話構造はしばしば対話状態間の遷移グラフと見なされている。
本稿では,タスク指向対話における構造抽出のための簡易かつ効果的な手法を提案する。
論文 参考訳（メタデータ） (2022-02-28T20:18:12Z) - Prompt Learning for Few-Shot Dialogue State Tracking [75.50701890035154]
本稿では,限られたラベル付きデータを用いて,対話状態追跡(DST)モデルを効率的に学習する方法に焦点を当てる。
本稿では,2つの主要なコンポーネントである値ベースプロンプトと逆プロンプト機構からなる,数ショットDSTのためのプロンプト学習フレームワークを設計する。
実験により、我々のモデルは未確認のスロットを生成し、既存の最先端の数ショット法より優れていることが示された。
論文 参考訳（メタデータ） (2022-01-15T07:37:33Z) - 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) - TOD-BERT: Pre-trained Natural Language Understanding for Task-Oriented
Dialogue [113.45485470103762]
本研究では,言語モデリングのためのタスク指向対話データセットを,人間とマルチターンの9つに統合する。
事前学習時の対話動作をモデル化するために,ユーザトークンとシステムトークンをマスク付き言語モデルに組み込む。
論文 参考訳（メタデータ） (2020-04-15T04:09:05Z)
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。