論文の概要: LEEETs-Dial: Linguistic Entrainment in End-to-End Task-oriented Dialogue
systems
- arxiv url: http://arxiv.org/abs/2311.09390v1
- Date: Wed, 15 Nov 2023 21:35:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 17:27:51.861906
- Title: LEEETs-Dial: Linguistic Entrainment in End-to-End Task-oriented Dialogue
systems
- Title(参考訳): LEEET-Dial:エンドツーエンドタスク指向対話システムにおける言語順応
- Authors: Nalin Kumar and Ond\v{r}ej Du\v{s}ek
- Abstract要約: 言語的エントレメント(英: Linguistic entrainment)またはアライメント(アライメント)は、会話参加者が採用する言語パターンが互いに収束する現象である。
本稿では,GPT-2に基づく対話システムにおいて,共用語彙を利用した対話アライメントを実現する手法を提案する。
- 参考スコア(独自算出の注目度): 2.8568358350081926
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Linguistic entrainment, or alignment, represents a phenomenon where
linguistic patterns employed by conversational participants converge to one
another. While alignment has been shown to produce a more natural user
experience, most dialogue systems do not have any provisions for it. In this
work, we introduce methods for achieving dialogue alignment in a GPT-2-based
end-to-end dialogue system through the utilization of shared vocabulary. We
experiment with training instance weighting, alignment-specific loss, and
additional conditioning to generate responses that align with the user. By
comparing different entrainment techniques on the MultiWOZ dataset, we
demonstrate that all three approaches produce significantly better-aligned
results than the baseline, as confirmed by both automated and manual evaluation
metrics.
- Abstract(参考訳): 言語的エントレメント(英: Linguistic entrainment)またはアライメント(アライメント)は、会話参加者が採用する言語パターンが互いに収束する現象である。
アライメントはより自然なユーザエクスペリエンスをもたらすことが示されているが、ほとんどの対話システムはそれに対する規定を持っていない。
本稿では,GPT-2に基づく対話システムにおいて,共用語彙を利用した対話アライメントを実現する手法を提案する。
トレーニングインスタンスの重み付け、アライメント特有の損失、ユーザと連携した応答を生成するための追加条件付けを実験します。
我々は,MultiWOZデータセット上で異なるエントレメント手法を比較することにより,3つのアプローチがベースラインよりもはるかに優れた整合性が得られることを示す。
関連論文リスト
- Revisiting Conversation Discourse for Dialogue Disentanglement [88.3386821205896]
本稿では,対話談話特性を最大限に活用し,対話の絡み合いを高めることを提案する。
我々は,会話の意味的文脈をより良くモデル化するために,リッチな構造的特徴を統合する構造認識フレームワークを開発した。
我々の研究は、より広範なマルチスレッド対話アプリケーションを促進する大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-06-06T19:17:47Z) - SPACE-2: Tree-Structured Semi-Supervised Contrastive Pre-training for
Task-Oriented Dialog Understanding [68.94808536012371]
本稿では,限定ラベル付きダイアログと大規模未ラベルダイアログコーパスから対話表現を学習する,木構造付き事前学習会話モデルを提案する。
提案手法は,7つのデータセットと4つの一般的な対話理解タスクからなるDialoGLUEベンチマークにおいて,最新の結果が得られる。
論文 参考訳(メタデータ) (2022-09-14T13:42:50Z) - User Satisfaction Estimation with Sequential Dialogue Act Modeling in
Goal-oriented Conversational Systems [65.88679683468143]
我々は,ユーザ満足度を予測するために,対話行動の逐次的ダイナミクスを取り入れた新しいフレームワーク,すなわちUSDAを提案する。
USDAは、ユーザの満足度を予測するために、コンテンツと行動機能の連続的な遷移を対話に取り入れている。
4つのベンチマーク目標指向対話データセットによる実験結果から,提案手法はUSEの既存手法よりも大幅に優れていた。
論文 参考訳(メタデータ) (2022-02-07T02:50:07Z) - Stylistic Retrieval-based Dialogue System with Unparallel Training Data [19.777894827625275]
本稿では,並列データを持たない特定のペルソナの言語スタイルを模倣するために,汎用的な検索ベース対話システムに適応するフレキシブルなフレームワークを提案する。
提案手法は, ジェルゴンの使用法を学習し, ジェルゴンを組み込むことで, ジェネリックな会話をスタイル化されたものに書き換えることによって, スタイル化されたデータの自動生成に基づく。
論文 参考訳(メタデータ) (2021-09-12T09:56:24Z) - Language Model as an Annotator: Exploring DialoGPT for Dialogue
Summarization [29.887562761942114]
本稿では,対話応答生成のための事前学習モデルであるDialoGPTを,教師なし対話アノテータとして開発する方法を示す。
ダイアロGPTを用いて、2つの対話要約データセット(SAMSumとAMI)に3種類の特徴をラベル付けし、事前学習モデルと非訓練モデルを用いて要約する。
論文 参考訳(メタデータ) (2021-05-26T13:50:13Z) - Structural Pre-training for Dialogue Comprehension [51.215629336320305]
本稿では,SPIDER, Structure Pre-trained DialoguE Readerについて述べる。
対話のような特徴をシミュレートするために,元のLM目的に加えて,2つの訓練目標を提案する。
広く使われている対話ベンチマークの実験結果から,新たに導入した自己教師型タスクの有効性が検証された。
論文 参考訳(メタデータ) (2021-05-23T15:16:54Z) - A Hybrid Task-Oriented Dialog System with Domain and Task Adaptive
Pretraining [25.674966922466467]
本稿では,第9回ダイアログ・システム・テクノロジー・チャレンジ(DSTC-9)におけるエンド・ツー・エンドマルチドメインタスク・コンプリート・ダイアログ共有タスクについて述べる。
共有タスクの参加者は、人的評価とユーザシミュレータによる自動評価により評価されるエンドツーエンドのタスク完了ダイアログシステムを構築する。
論文 参考訳(メタデータ) (2021-02-08T20:02:30Z) - UBAR: Towards Fully End-to-End Task-Oriented Dialog Systems with GPT-2 [10.994360742583261]
UBARは、対話セッション全体のシーケンスで、訓練済みの大きな一方向言語モデルGPT-2を微調整することによって取得される。
UBARは、複数の設定で最先端のパフォーマンスを達成し、レスポンス生成、ポリシー最適化、エンドツーエンドモデリングをそれぞれ4.7、3.5、9.4ポイント改善した。
論文 参考訳(メタデータ) (2020-12-07T09:08:16Z) - Filling the Gap of Utterance-aware and Speaker-aware Representation for
Multi-turn Dialogue [76.88174667929665]
マルチターン対話は、2つ以上の異なる話者の役割から複数の発話からなる。
既存の検索に基づくマルチターン対話モデルでは、事前訓練された言語モデル(PrLM)をエンコーダとして、対話を粗く表現する。
本稿では,対話履歴に係わる効果的な発話認識表現と話者認識表現をモデル化することにより,そのようなギャップを埋める新しいモデルを提案する。
論文 参考訳(メタデータ) (2020-09-14T15:07:19Z) - Is Your Goal-Oriented Dialog Model Performing Really Well? Empirical
Analysis of System-wise Evaluation [114.48767388174218]
本稿では,異なる設定の異なるモジュールから構成される異なるダイアログシステムについて,実験的検討を行った。
この結果から, 粗粒度ラベルで学習した連系や終端モデルを用いたシステムよりも, 細粒度監視信号を用いて訓練したパイプラインダイアログシステムの方が, 高い性能が得られることが示唆された。
論文 参考訳(メタデータ) (2020-05-15T05:20:06Z)
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。