論文の概要: Enhancing Personalized Dialogue Generation with Contrastive Latent Variables: Combining Sparse and Dense Persona

• arxiv url: http://arxiv.org/abs/2305.11482v1
• Date: Fri, 19 May 2023 07:24:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-22 15:43:28.258570
• Title: Enhancing Personalized Dialogue Generation with Contrastive Latent Variables: Combining Sparse and Dense Persona
• Title（参考訳）: 比較潜在変数による個人化対話生成の促進:スパースとディエンスペルソナの組み合わせ
• Authors: Yihong Tang, Bo Wang, Miao Fang, Dongming Zhao, Kun Huang, Ruifang He, Yuexian Hou
• Abstract要約: 既存のパーソナライズされた対話エージェントは、スパースまたは密集したペルソナ記述と対話履歴という3つのリソースからペルソナプロファイルをモデル化する。 3つのリソースの利点を組み合わせて、より豊かで正確なペルソナを得る。 中国語と英語のデータセットに対する実験結果は、パーソナライゼーションにおけるモデルの優位性を示している。
• 参考スコア（独自算出の注目度）: 16.90863217077699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The personalized dialogue explores the consistent relationship between dialogue generation and personality. Existing personalized dialogue agents model persona profiles from three resources: sparse or dense persona descriptions and dialogue histories. However, sparse structured persona attributes are explicit but uninformative, dense persona texts contain rich persona descriptions with much noise, and dialogue history query is both noisy and uninformative for persona modeling. In this work, we combine the advantages of the three resources to obtain a richer and more accurate persona. We design a Contrastive Latent Variable-based model (CLV) that clusters the dense persona descriptions into sparse categories, which are combined with the history query to generate personalized responses. Experimental results on Chinese and English datasets demonstrate our model's superiority in personalization.
• Abstract（参考訳）: パーソナライズされた対話は、対話生成とパーソナリティの一貫性を探求する。 既存のパーソナライズされた対話エージェントは、3つのリソースからペルソナプロファイルをモデル化する。 しかしながら、スパースな構造化ペルソナ属性は明示的だが非形式的で、密集したペルソナテキストは、ノイズの多い豊富なパーソナ記述を含み、対話履歴クエリは、ペルソナモデリングにおいてノイズと非形式の両方である。 本研究では,3つの資源の利点を組み合わせて,より豊かで正確なペルソナを得る。 本研究では,高密度なペルソナ記述をスパースカテゴリにクラスタリングするContrastive Latent Variable-based Model(CLV)を設計し,履歴クエリと組み合わせてパーソナライズされた応答を生成する。 中国語と英語のデータセットに対する実験結果は、パーソナライゼーションにおけるモデルの優位性を示している。

関連論文リスト

• PersonalityChat: Conversation Distillation for Personalized Dialog Modeling with Facts and Traits [5.447308344436046]
  PersonalityChatは、人気のPersonaChatデータセットに基づいた合成会話データセットである。 生成対話モデルの特質に基づくパーソナライズには,性格特性ラベルが有効であることを示す。
  論文  参考訳（メタデータ） (2024-01-14T20:35:33Z)
• CharacterGLM: Customizing Chinese Conversational AI Characters with Large Language Models [66.4382820107453]
  本稿では,ChatGLM上に構築されたモデルである characterGLM について紹介する。 我々のキャラクタGLMは文字ベースの対話(CharacterDial)を生成するために設計されており、人間固有の社会的欲求と感情的欲求を満たすための文字カスタマイズを備えた対話型AIシステムを実現することを目的としている。
  論文  参考訳（メタデータ） (2023-11-28T14:49:23Z)
• MPCHAT: Towards Multimodal Persona-Grounded Conversation [54.800425322314105]
  我々はペルソナに基づく対話をマルチモーダル領域に拡張し、2つの主要な貢献をする。 まず,MPCHATという対話データセットを提案する。 第2に,マルチモーダル・ペルソナを組み込んだ多モーダル・ペルソナの対話タスクが,統計的に有意な性能向上をもたらすことを実証的に示す。
  論文  参考訳（メタデータ） (2023-05-27T06:46:42Z)
• A Benchmark for Understanding and Generating Dialogue between Characters in Stories [75.29466820496913]
  本研究は,機械が物語の対話を理解・生成できるかどうかを探求する最初の研究である。 マスク付き対話生成と対話話者認識という2つの新しいタスクを提案する。 DialStoryの自動評価と手動評価で既存のモデルをテストすることで,提案課題の難しさを示す。
  論文  参考訳（メタデータ） (2022-09-18T10:19:04Z)
• Less is More: Learning to Refine Dialogue History for Personalized Dialogue Generation [57.73547958927826]
  我々は,対話履歴をより多く処理し,より正確なペルソナ情報を得ることのできる,ユーザ対話履歴を大規模に洗練することを提案する。 具体的には、3つの個人情報精算器とパーソナライズされた応答生成器で構成されるMSPモデルを設計する。
  論文  参考訳（メタデータ） (2022-04-18T02:02:56Z)
• Learning to Predict Persona Information forDialogue Personalization without Explicit Persona Description [10.17868476063421]
  対話エージェントをパーソナライズするために,対話履歴に基づいてペルソナ情報を予測する方法を提案する。 PersonaChatデータセットの実験結果から,提案手法は生成した応答の一貫性を向上させることができることがわかった。 トレーニングされたペルソナ予測モデルは、他のデータセットにうまく転送することができ、より関連するレスポンスを生成するのに役立つ。
  論文  参考訳（メタデータ） (2021-11-30T03:19:24Z)
• DLVGen: A Dual Latent Variable Approach to Personalized Dialogue Generation [28.721411816698563]
  本稿では,パーソナライズされた対話を生成するDual Latent Variable Generator (DLVGen)を提案する。 以前の研究とは異なり、DLVGenは潜在的な応答に対する潜伏分布と、エージェントの潜在的なペルソナに対する潜伏分布をモデル化している。 実験の結果,DLVGenはエージェントのペルソナを正確に組み込んだ多様な応答を生成できることがわかった。
  論文  参考訳（メタデータ） (2021-11-22T17:21:21Z)
• Unsupervised Enrichment of Persona-grounded Dialog with Background Stories [27.52543925693796]
  既存の物語データセットの架空の物語を活用することにより、対話モデルにペルソナに関連する「背景物語」を付与する。 我々は、勾配に基づく書き直し手法を用いて対話応答を生成するために、検索されたストーリーの教師なし適応を行う。 提案手法は, より多様な応答を生成でき, 人間の評価者により, より活発で人間らしく評価されている。
  論文  参考訳（メタデータ） (2021-06-15T18:20:27Z)
• Dialogue History Matters! Personalized Response Selectionin Multi-turn Retrieval-based Chatbots [62.295373408415365]
  本稿では,コンテキスト応答マッチングのためのパーソナライズドハイブリッドマッチングネットワーク(phmn)を提案する。 1) ユーザ固有の対話履歴からパーソナライズされた発話行動を付加的なマッチング情報として抽出する。 ユーザ識別による2つの大規模データセット,すなわちパーソナライズされた対話 Corpus Ubuntu (P-Ubuntu) とパーソナライズされたWeiboデータセット (P-Weibo) のモデルを評価する。
  論文  参考訳（メタデータ） (2021-03-17T09:42:11Z)
• A Neural Topical Expansion Framework for Unstructured Persona-oriented Dialogue Generation [52.743311026230714]
  Persona Exploration and Exploitation (PEE)は、事前に定義されたユーザペルソナ記述を意味論的に相関したコンテンツで拡張することができる。 PEEはペルソナ探索とペルソナ搾取という2つの主要なモジュールで構成されている。 提案手法は, 自動評価と人的評価の両面で, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-02-06T08:24:33Z)

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。