論文の概要: Graph Meets LLM: A Novel Approach to Collaborative Filtering for Robust
Conversational Understanding
- arxiv url: http://arxiv.org/abs/2305.14449v1
- Date: Tue, 23 May 2023 18:15:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 00:16:32.711334
- Title: Graph Meets LLM: A Novel Approach to Collaborative Filtering for Robust
Conversational Understanding
- Title（参考訳）: graph meets llm:堅牢な会話理解のための協調フィルタリングへの新しいアプローチ
- Authors: Zheng Chen, Ziyan Jiang and Fan Yang
- Abstract要約: 本稿では、我々の「協調クエリ書き換え」アプローチについて述べる。
ユーザ履歴に見当たらない新しいユーザインタラクションの書き直しに重点を置いている。
微調整されたDolly-V2生成から得られたユーザインデックスは、目に見えないユーザインタラクションのカバレッジを大幅に向上させた。
- 参考スコア（独自算出の注目度）: 9.456308720012395
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Conversational AI systems (e.g. Alexa, Siri, Google Assistant, etc.) need to
understand queries with defects to ensure robust conversational understanding
and reduce user frictions. The defective queries are often induced by user
ambiguities and mistakes, or errors in the automatic speech recognition (ASR)
and natural language understanding (NLU).
Personalized query rewriting (personalized QR) targets reducing defects in
the torso and tail user query traffic, and it typically relies on an index of
past successful user interactions with the conversational AI. This paper
presents our "Collaborative Query Rewriting" approach that focuses on rewriting
novel user interactions unseen in the user history. This approach builds a
"user Feedback Interaction Graph" (FIG) consisting of historical user-entity
interactions, and leverages multi-hop customer affinity to enrich each user's
index (i.e. the Collaborative User Index) that would help cover future unseen
defective queries. To counteract the precision degradation from the enlarged
index, we introduced additional transformer layers to the L1 retrieval model
and added multi-hop affinity and guardrail features to the L2 re-ranking model.
Given the production constraints of storage cost and runtime retrieval
latency, managing the size of the Collaborative User Index is important. As the
user index can be pre-computed, we explored using a Large Language Model (LLM)
for multi-hop customer affinity retrieval on the Video/Music domains. In
particular, this paper looked into the Dolly-V2 7B model. Given limited user
index size, We found the user index derived from fine-tuned Dolly-V2 generation
significantly enhanced coverage of unseen user interactions. Consequently, this
boosted QR performance on unseen user interactions compared to the graph
traversal based user index.
- Abstract（参考訳）: 会話AIシステム(Alexa、Siri、Google Assistantなど)は、堅牢な会話理解とユーザの摩擦を軽減するために、欠陥のあるクエリを理解する必要がある。
欠陥クエリは、しばしばユーザの曖昧さや間違い、あるいは自動音声認識(ASR)と自然言語理解(NLU)の誤りによって引き起こされる。
パーソナライズされたクエリ書き換え(QRの個人化)は、胴体と尾部のユーザクエリトラフィックの欠陥を減らすことを目的としており、通常、会話型AIとの過去のユーザインタラクションのインデックスに依存する。
本稿では、ユーザ履歴にない新規ユーザインタラクションの書き直しに焦点を当てた「協調クエリ書き換え」アプローチを提案する。
このアプローチは、過去のユーザとのインタラクションで構成される"ユーザフィードバックインタラクショングラフ"(FIG)を構築し、マルチホップ顧客親和性を活用して、各ユーザのインデックス(Collaborative User Index)を強化し、将来の目に見えない欠陥クエリをカバーする。
拡張インデックスからの精度劣化に対処するため,L1検索モデルにトランスフォーマー層を導入し,L2再ランクモデルにマルチホップ親和性とガードレール機能を追加した。
ストレージコストと実行時の検索待ち時間の運用上の制約を考えると,協調ユーザインデックスのサイズ管理が重要である。
ユーザインデックスを事前計算できるため、ビデオ/音楽ドメイン上のマルチホップ顧客親和性検索にLarge Language Model (LLM)を用いた検討を行った。
特に,Dolly-V2 7Bモデルについて検討した。
ユーザインデックスのサイズが限られているため,dry-v2生成の微調整によるユーザインデックスが,ユーザインタラクションのカバー範囲を大幅に向上していることがわかった。
これにより、グラフトラバーサルベースのユーザインデックスと比較して、見えないユーザインタラクションにおけるQRパフォーマンスが向上した。
関連論文リスト
- IRLab@iKAT24: Learned Sparse Retrieval with Multi-aspect LLM Query Generation for Conversational Search [6.974395116689502]
iKAT 2024は、対話アシスタントの進化に焦点を当て、対話と応答をパーソナライズされたユーザー知識から適応することができる。
このトラックには、Personal Textual Knowledge Base(PTKB)と会話型AIタスク(通訳ランキングや応答生成など)が組み込まれている。
論文 参考訳（メタデータ） (2024-11-22T05:18:35Z) - User Intent Recognition and Semantic Cache Optimization-Based Query Processing Framework using CFLIS and MGR-LAU [0.0]
この研究は、拡張QPのためのクエリにおける情報、ナビゲーション、およびトランザクションベースのインテントを分析した。
効率的なQPのために、データはEpanechnikov Kernel-Ordering Pointsを用いて構造化され、クラスタリング構造(EK-OPTICS)を同定する。
抽出された特徴、検出された意図、構造化データは、MGR-LAU(Multi-head Gated Recurrent Learnable Attention Unit)に入力される。
論文 参考訳（メタデータ） (2024-06-06T20:28:05Z) - Long-Span Question-Answering: Automatic Question Generation and QA-System Ranking via Side-by-Side Evaluation [65.16137964758612]
大規模言語モデルにおける長文文の活用について検討し,本書全体の読解データを作成する。
我々の目的は、長いテキストの詳細な理解を必要とする問題を分析し、理解し、推論するLLMの能力をテストすることである。
論文 参考訳（メタデータ） (2024-05-31T20:15:10Z) - Phrase Retrieval for Open-Domain Conversational Question Answering with
Conversational Dependency Modeling via Contrastive Learning [54.55643652781891]
Open-Domain Conversational Question Answering (ODConvQA)は、マルチターン会話を通じて質問に答えることを目的としている。
そこで本研究では,単語列に対する句検索方式を用いて,回答を直接予測する手法を提案する。
論文 参考訳（メタデータ） (2023-06-07T09:46:38Z) - UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question
Answering Over Knowledge Graph [89.98762327725112]
KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。
我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
論文 参考訳（メタデータ） (2022-12-02T04:08:09Z) - RETE: Retrieval-Enhanced Temporal Event Forecasting on Unified Query
Product Evolutionary Graph [18.826901341496143]
時間的イベント予測は、統合クエリ製品進化グラフにおける新しいユーザ行動予測タスクである。
本稿では,新しいイベント予測フレームワークを提案する。
既存手法とは違って,グラフ全体の大まかに連結されたエンティティを通じてユーザ表現を強化する手法を提案する。
論文 参考訳（メタデータ） (2022-02-12T19:27:56Z) - IntentVizor: Towards Generic Query Guided Interactive Video
Summarization Using Slow-Fast Graph Convolutional Networks [2.5234156040689233]
IntentVizorは、ジェネリックなマルチモーダリティクエリによってガイドされるインタラクティブなビデオ要約フレームワークである。
ユーザからのインプットを表現するために一連のインテントを使用して、インタラクティブなビジュアル分析インターフェースを設計しています。
論文 参考訳（メタデータ） (2021-09-30T03:44:02Z) - Session-Aware Query Auto-completion using Extreme Multi-label Ranking [61.753713147852125]
本稿では,セッション対応クエリ自動補完の新たな手法を,XMR(Multi Multi-Xtreme Ranking)問題として取り上げる。
アルゴリズムのキーステップにいくつかの修正を提案することにより、この目的のために一般的なXMRアルゴリズムを適応させる。
当社のアプローチは、セッション情報を活用しながら、自動補完システムの厳しいレイテンシ要件を満たします。
論文 参考訳（メタデータ） (2020-12-09T17:56:22Z) - Personalized Query Rewriting in Conversational AI Agents [7.086654234990377]
本稿では,ユーザの歴史的に成功したインタラクションをメモリとして活用し,クエリ書き換え手法を提案する。
ニューラルネットワークモデルとポインタジェネレータネットワークに階層的な注意を払い、上述したユーザ記憶を用いたクエリ書き換えタスクにおいて、より優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2020-11-09T20:45:39Z) - Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。
我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
論文 参考訳（メタデータ） (2020-05-24T11:37:22Z) - 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。