論文の概要: Improved Instruction Ordering in Recipe-Grounded Conversation
- arxiv url: http://arxiv.org/abs/2305.17280v1
- Date: Fri, 26 May 2023 21:57:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 20:41:51.366103
- Title: Improved Instruction Ordering in Recipe-Grounded Conversation
- Title（参考訳）: レシピグラウンド会話における命令順序の改善
- Authors: Duong Minh Le, Ruohao Guo, Wei Xu, Alan Ritter
- Abstract要約: 指導対話の課題について検討し,調理領域に焦点をあてる。
レシピ・グラウンド・ダイアログシステムの主な課題は、正しい順序で指示を与える方法である。
本稿では,ユーザインテント検出とインストラクション状態追跡という,2つの補助的なサブタスクを提案する。
- 参考スコア（独自算出の注目度）: 19.50256316823683
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we study the task of instructional dialogue and focus on the
cooking domain. Analyzing the generated output of the GPT-J model, we reveal
that the primary challenge for a recipe-grounded dialog system is how to
provide the instructions in the correct order. We hypothesize that this is due
to the model's lack of understanding of user intent and inability to track the
instruction state (i.e., which step was last instructed). Therefore, we propose
to explore two auxiliary subtasks, namely User Intent Detection and Instruction
State Tracking, to support Response Generation with improved instruction
grounding. Experimenting with our newly collected dataset, ChattyChef, shows
that incorporating user intent and instruction state information helps the
response generation model mitigate the incorrect order issue. Furthermore, to
investigate whether ChatGPT has completely solved this task, we analyze its
outputs and find that it also makes mistakes (10.7% of the responses), about
half of which are out-of-order instructions. We will release ChattyChef to
facilitate further research in this area at:
https://github.com/octaviaguo/ChattyChef.
- Abstract（参考訳）: 本稿では,指導対話の課題について考察し,調理領域に焦点をあてる。
GPT-Jモデルの出力を解析した結果、レシピグラウンドのダイアログシステムにおける主な課題は、正しい順序で指示を与える方法であることがわかった。
これは、モデルのユーザの意図に対する理解の欠如と、命令状態(つまり、最後に指示されたステップ)を追跡できないためである、と仮定します。
そこで本研究では,ユーザインテント検出と命令状態追跡という2つの補助的なサブタスクを提案する。
新たに収集したデータセットであるChattyChefを用いて実験したところ、ユーザ意図と命令状態情報を統合することで、応答生成モデルが誤った順序問題を緩和できることがわかった。
さらに、ChatGPTがこのタスクを完全に解決したかどうかを調べるために、アウトプットを分析し、ミス(レスポンスの10.7%)を犯すことを発見し、その約半数が注文外命令である。
ChattyChefのリリースは、この分野のさらなる研究を促進するためである。
関連論文リスト
- KIWI: A Dataset of Knowledge-Intensive Writing Instructions for
Answering Research Questions [63.307317584926146]
ユーザ命令に従うように適応された大規模言語モデル(LLM)は、現在では会話エージェントとして広くデプロイされている。
そこで本研究では,より一般的な命令追従タスクとして,長文の回答作成を支援することを提案する。
我々は、科学領域における知識集約的な記述命令のデータセットKIWIを構築した。
論文 参考訳（メタデータ） (2024-03-06T17:16:44Z) - Answer is All You Need: Instruction-following Text Embedding via
Answering the Question [41.727700155498546]
本稿では、入力テキストに関する質問として命令を扱い、予測された回答を符号化して表現を得る新しい視点を提供する。
具体的には,抽象的質問応答タスクの言語モデルのみを微調整することで,この組込み解答のアイデアをインスタンス化するInBedderを提案する。
論文 参考訳（メタデータ） (2024-02-15T01:02:41Z) - SAIL: Search-Augmented Instruction Learning [46.821992689688514]
大規模言語モデル(LLM)は、命令の微調整によって大幅に改善されているが、透明性と最新の知識と情報を活用する能力が欠けている。
本研究では,社内および外部検索エンジンが生成する複雑な検索結果に基づいて,言語生成と命令追従能力の基盤となる検索強化命令学習(SAIL)を提案する。
実験により、細調整されたSAIL-7Bモデルは、強い指示追従能力を有し、透明性に敏感なタスクにおいて著しく優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2023-05-24T15:07:30Z) - "What do others think?": Task-Oriented Conversational Modeling with
Subjective Knowledge [69.46702968979885]
タスク指向対話(TOD)システムは、ユーザが特定の目標を達成するのを支援する対話システムを構築することを目的としている。
従来のTODは、応答を生成するために、ドメイン固有のAPI/DBや外部の事実知識に依存しています。
主観的知識に基づくTOD(SK-TOD)の新しい課題を提案する。
論文 参考訳（メタデータ） (2023-05-20T04:43:26Z) - Uncovering the Potential of ChatGPT for Discourse Analysis in Dialogue:
An Empirical Study [51.079100495163736]
本稿では、トピックセグメンテーションと談話解析という2つの談話分析タスクにおけるChatGPTの性能を体系的に検証する。
ChatGPTは、一般的なドメイン間会話においてトピック構造を特定する能力を示すが、特定のドメイン間会話ではかなり困難である。
我々のより深い調査は、ChatGPTは人間のアノテーションよりも合理的なトピック構造を提供するが、階層的なレトリック構造を線形に解析することしかできないことを示唆している。
論文 参考訳（メタデータ） (2023-05-15T07:14:41Z) - Knowledge-enhanced Iterative Instruction Generation and Reasoning for
Knowledge Base Question Answering [43.72266327778216]
マルチホップ知識ベース質問回答は、質問に言及されたトピックエンティティからのいくつかのホップである知識ベースで回答エンティティを見つけることを目的としている。
既存のRetrievalベースのアプローチでは、まず質問から指示を生成し、知識グラフ上のマルチホップ推論をガイドする。
我々は2つのマルチホップKBQAベンチマークの実験を行い、既存のアプローチを上回り、新しい最先端技術となった。
論文 参考訳（メタデータ） (2022-09-07T09:02:45Z) - CookDial: A dataset for task-oriented dialogs grounded in procedural
documents [21.431615439267734]
本研究は、手続き的知識理解を伴うタスク指向対話システムの研究を容易にする新しいダイアログデータセットであるCookDialを提案する。
コーパスは、260人の人対人タスク指向のダイアログを含み、エージェントがレシピドキュメントを与えられた場合、ユーザが料理を調理するように誘導する。
CookDialのダイアログには、 (i) ダイアログフローとサポートドキュメントの間の手続き的アライメント、 (ii) 長い文のセグメンテーション、ハードインストラクションのパラフレーズ化、およびダイアログコンテキストにおけるコア推論の解決を含む複雑なエージェント決定の2つの特徴がある。
論文 参考訳（メタデータ） (2022-06-17T12:23:53Z) - Reasoning in Dialog: Improving Response Generation by Context Reading
Comprehension [49.92173751203827]
マルチターンダイアログでは、発話が文の完全な形を取るとは限らない。
読み解きの質問に答えるモデルの能力を検討し、応答生成性能の向上を提案する。
論文 参考訳（メタデータ） (2020-12-14T10:58:01Z) - Words aren't enough, their order matters: On the Robustness of Grounding
Visual Referring Expressions [87.33156149634392]
視覚的参照表現認識のための標準ベンチマークであるRefCOgを批判的に検討する。
83.7%のケースでは言語構造に関する推論は不要である。
比較学習とマルチタスク学習の2つの手法を提案し,ViLBERTのロバスト性を高める。
論文 参考訳（メタデータ） (2020-05-04T17:09:15Z) - Expertise Style Transfer: A New Task Towards Better Communication
between Experts and Laymen [88.30492014778943]
そこで我々は,手動で注釈付きデータセットを手動で提供し,専門的なスタイルの転送を行う新しいタスクを提案する。
このタスクの解決は、プロの言語を単純化するだけでなく、レイメンの記述の正確さと専門性の向上にも寄与する。
スタイル転送とテキスト単純化のための5つの最先端モデルのベンチマーク性能を確立する。
論文 参考訳（メタデータ） (2020-05-02T04:50:20Z) - Reasoning Visual Dialog with Sparse Graph Learning and Knowledge
Transfer [22.820709255518]
グラフ構造学習タスクとして視覚対話を定式化するためのスパースグラフ学習(SGL)手法を提案する。
次に,教師モデルから回答予測を抽出し,擬似ラベルとして利用する知識伝達(KT)手法を提案する。
提案手法は,ベースライン手法と比較して推論能力を大幅に向上させ,VisDial v1.0データセットの最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-04-14T17:52:41Z)
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。