論文の概要: BiosERC: Integrating Biography Speakers Supported by LLMs for ERC Tasks

• arxiv url: http://arxiv.org/abs/2407.04279v1
• Date: Fri, 5 Jul 2024 06:25:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 14:21:30.776449
• Title: BiosERC: Integrating Biography Speakers Supported by LLMs for ERC Tasks
• Title（参考訳）: BiosERC:ERCタスクのためのLCMの支援によるバイオグラフィー話者の統合
• Authors: Jieying Xue, Minh Phuong Nguyen, Blake Matheny, Le Minh Nguyen,
• Abstract要約: 本研究は,会話における話者特性を調査するBiosERCという新しいフレームワークを紹介する。 本研究では,Large Language Models (LLMs) を用いて,会話中の話者の「生体情報」を抽出する。 提案手法は,3つの有名なベンチマークデータセットを用いて,最先端のSOTA(State-of-the-art)結果を得た。
• 参考スコア（独自算出の注目度）: 2.9873893715462176
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the Emotion Recognition in Conversation task, recent investigations have utilized attention mechanisms exploring relationships among utterances from intra- and inter-speakers for modeling emotional interaction between them. However, attributes such as speaker personality traits remain unexplored and present challenges in terms of their applicability to other tasks or compatibility with diverse model architectures. Therefore, this work introduces a novel framework named BiosERC, which investigates speaker characteristics in a conversation. By employing Large Language Models (LLMs), we extract the "biographical information" of the speaker within a conversation as supplementary knowledge injected into the model to classify emotional labels for each utterance. Our proposed method achieved state-of-the-art (SOTA) results on three famous benchmark datasets: IEMOCAP, MELD, and EmoryNLP, demonstrating the effectiveness and generalization of our model and showcasing its potential for adaptation to various conversation analysis tasks. Our source code is available at https://github.com/yingjie7/BiosERC.
• Abstract（参考訳）: 会話課題における感情認識において、近年の研究では、話者間の感情的相互作用をモデル化するために、話者内および話者間の発話間の関係を探索する注意機構が活用されている。 しかし、話者の性格特性などの属性は未解明のままであり、他のタスクへの適用性や多様なモデルアーキテクチャとの互換性の観点からも課題を提示している。 そこで本研究では,会話における話者特性を調査するBiosERCという新しいフレームワークを紹介した。 本研究では,Large Language Models (LLMs) を用いて,会話中の話者の「生体情報」をモデルに注入した補足的知識として抽出し,発話毎に感情ラベルを分類する。 提案手法は,IEMOCAP,MELD,EmoryNLPの3つのベンチマークデータセットを用いて,本モデルの有効性と一般化を実証し,様々な会話分析タスクへの適応の可能性を示した。 ソースコードはhttps://github.com/yingjie7/BiosERC.comで公開されています。

関連論文リスト

• Layer-Wise Analysis of Self-Supervised Acoustic Word Embeddings: A Study on Speech Emotion Recognition [54.952250732643115]
  連続表現から派生した長さの固定長特徴である音響単語埋め込み(AWE)について検討し,その利点について検討した。 AWEは以前、音響的識別可能性の把握に有用であることを示した。 以上の結果から,AWEが伝達する音響的文脈が明らかになり,高い競争力を持つ音声認識精度が示された。
  論文  参考訳（メタデータ） (2024-02-04T21:24:54Z)
• InstructERC: Reforming Emotion Recognition in Conversation with Multi-task Retrieval-Augmented Large Language Models [9.611864685207056]
  本稿では,識別的枠組みから大規模言語モデル(LLM)に基づく生成的枠組みへ,感情認識タスクを再構築するための新しいアプローチであるインストラクタCを提案する。 InstructERCは、3つの重要な貢献をしている:(1)モデルがマルチグラニュラリティ対話監視情報を明示的に統合するのに役立つ単純で効果的なテンプレートモジュール、(2)話者識別と感情予測タスクという2つの追加の感情アライメントタスクを導入し、会話における対話の役割の関係と将来の感情傾向を暗黙的にモデル化する。
  論文  参考訳（メタデータ） (2023-09-21T09:22:07Z)
• Watch the Speakers: A Hybrid Continuous Attribution Network for Emotion Recognition in Conversation With Emotion Disentanglement [8.17164107060944]
  Emotion Recognition in Conversation (ERC) は自然言語処理分野で広く注目を集めている。 既存のERC手法では、コンテキストのモデリングが不十分なため、様々なシナリオへの一般化が困難である。 本稿では,これらの課題に対処するハイブリッド連続帰属ネットワーク(HCAN)について,感情的継続と感情的帰属の観点から紹介する。
  論文  参考訳（メタデータ） (2023-09-18T14:18:16Z)
• 'What are you referring to?' Evaluating the Ability of Multi-Modal Dialogue Models to Process Clarificational Exchanges [65.03196674816772]
  参照表現が宛先に対して意図された参照を一意に識別しない場合、参照の曖昧さが対話で生じる。 出席者は、通常、そのような曖昧さをすぐに検知し、メタコミュニケーション、明確化取引所(CE: Meta-communicative, Clarification Exchanges)を使用して、話者と作業する。 ここでは、CRを生成・応答する能力は、マルチモーダルな視覚的基盤を持つ対話モデルのアーキテクチャと目的関数に特定の制約を課していると論じる。
  論文  参考訳（メタデータ） (2023-07-28T13:44:33Z)
• Interactive Natural Language Processing [67.87925315773924]
  対話型自然言語処理(iNLP)は,NLP分野における新しいパラダイムとして登場した。 本稿では,iNLPの概念の統一的定義と枠組みを提案することから,iNLPに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2023-05-22T17:18:29Z)
• SI-LSTM: Speaker Hybrid Long-short Term Memory and Cross Modal Attention for Emotion Recognition in Conversation [16.505046191280634]
  会話における感情認識(ERC)は、インテリジェントヘルスケア、会話のための人工知能、チャット履歴に対する意見マイニングなど、さまざまなアプリケーションにとって極めて重要である。 ERCの要点は、会話全体を通して、相互モダリティと相互時間相互作用の両方をモデル化することである。 従来の方法では,会話の時系列情報を学習する一方で,会話における各話者の異なる感情状態を追跡する能力が欠如している。
  論文  参考訳（メタデータ） (2023-05-04T10:13:15Z)
• Deep Emotion Recognition in Textual Conversations: A Survey [0.8602553195689513]
  新しいアプリケーションと実装シナリオは、新しい課題と機会を示します。 これらは会話の文脈、話者、感情のダイナミクスのモデリングから、一般的な感覚表現の解釈まで様々である。 この調査は、アンバランスなデータに対処するテクニックを活用する利点を強調している。
  論文  参考訳（メタデータ） (2022-11-16T19:42:31Z)
• Discourse-Aware Emotion Cause Extraction in Conversations [21.05202596080196]
  会話における感情的原因抽出(ECEC)は、会話における感情的原因を含む発話を抽出することを目的としている。 本稿では,この課題に対する談話認識モデル(DAM)を提案する。 ベンチマークコーパスの結果、DAMは文学における最先端システム(SOTA)よりも優れていた。
  論文  参考訳（メタデータ） (2022-10-26T02:11:01Z)
• 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)
• TSAM: A Two-Stream Attention Model for Causal Emotion Entailment [50.07800752967995]
  CEE(Causal Emotion Entailment)は、会話の発話において感情の背後にある潜在的な原因を発見することを目的としている。 我々は,グローバルビューにおける発話間の相関を捉えるために,複数の発話を同期的に分類する。 対話履歴における話者の感情的影響を効果的にモデル化する2ストリーム注意モデル(TSAM)を提案する。
  論文  参考訳（メタデータ） (2022-03-02T02:11:41Z)
• 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)

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。