論文の概要: Minimally Supervised Hierarchical Domain Intent Learning for CRS

• arxiv url: http://arxiv.org/abs/2505.02209v1
• Date: Sun, 04 May 2025 18:12:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.485204
• Title: Minimally Supervised Hierarchical Domain Intent Learning for CRS
• Title（参考訳）: CRSのための最小教師付き階層型ドメインインテント学習
• Authors: Safikureshi Mondal, Subhasis Dasgupta, Amarnath Gupta,
• Abstract要約: 本稿では,ドメイン知識を適切に網羅するために必要なユーザ発話数を最小化する動的階層構造を構築するための効率的なソリューションを提案する。 当社のアプローチは、ビジネスフード分野からの44,000の質問のキュレートされたサブセットに適用します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Modeling domain intent within an evolving domain structure presents a significant challenge for domain-specific conversational recommendation systems (CRS). The conventional approach involves training an intent model using utterance-intent pairs. However, as new intents and patterns emerge, the model must be continuously updated while preserving existing relationships and maintaining efficient retrieval. This process leads to substantial growth in utterance-intent pairs, making manual labeling increasingly costly and impractical. In this paper, we propose an efficient solution for constructing a dynamic hierarchical structure that minimizes the number of user utterances required to achieve adequate domain knowledge coverage. To this end, we introduce a neural network-based attention-driven hierarchical clustering algorithm designed to optimize intent grouping using minimal data. The proposed method builds upon and integrates concepts from two existing flat clustering algorithms DEC and NAM, both of which utilize neural attention mechanisms. We apply our approach to a curated subset of 44,000 questions from the business food domain. Experimental results demonstrate that constructing the hierarchy using a stratified sampling strategy significantly reduces the number of questions needed to represent the evolving intent structure. Our findings indicate that this approach enables efficient coverage of dynamic domain knowledge without frequent retraining, thereby enhancing scalability and adaptability in domain-specific CSRs.
• Abstract（参考訳）: 進化するドメイン構造内のドメインインテントをモデル化することは、ドメイン固有の会話レコメンデーションシステム(CRS)にとって重要な課題となる。 従来の手法では、発話意図対を用いて意図モデルを訓練する。 しかし、新たな意図やパターンが出現するにつれて、既存の関係を維持し、効率的な検索を維持しながら、モデルを継続的に更新する必要がある。 このプロセスは、発話意図のペアが大幅に増加し、手動ラベリングがますます高価で実用的でないものになる。 本稿では,ドメイン知識を適切に網羅するために必要なユーザ発話数を最小化する動的階層構造を構築するための効率的なソリューションを提案する。 この目的のために、最小限のデータを用いたインテントグルーピングの最適化を目的とした、ニューラルネットワークに基づくアテンション駆動階層クラスタリングアルゴリズムを導入する。 提案手法は,ニューラルアテンション機構を利用する2つの既存のフラットクラスタリングアルゴリズム DEC と NAM の概念を構築し,統合する。 当社のアプローチは、ビジネスフード分野からの44,000の質問のキュレートされたサブセットに適用します。 実験結果から, 階層化されたサンプリング戦略を用いて階層構造を構築することにより, 進化する意図構造を表現するのに必要な質問の数を大幅に削減できることが示唆された。 提案手法は, 頻繁な再トレーニングを伴わずに, 動的ドメイン知識の効率的なカバレッジを可能にし, ドメイン固有のCSRのスケーラビリティと適応性を向上させることを示唆している。

関連論文リスト

• Goal Recognition using Actor-Critic Optimization [12.842382984993632]
  DRACO(Deep Recognition using Actor-Critic Optimization)は、深層強化学習に基づく新しいアプローチである。 DRACOは、構造化されていないデータからポリシーネットワークの集合を学習し、それらを推論に使用する最初のゴール認識アルゴリズムである。 既存のアプローチで使用されている構造化入力を使わずに、個別設定でゴール認識のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-12-31T16:44:20Z)
• A Structural-Clustering Based Active Learning for Graph Neural Networks [16.85038790429607]
  グラフ構造化データに特化して設計された能動学習(SPA)の改善のための構造クラスタリングページランク法を提案する。 SPAは,SCANアルゴリズムを用いたコミュニティ検出とPageRankスコアリング手法を統合し,効率的かつ有益なサンプル選択を行う。
  論文  参考訳（メタデータ） (2023-12-07T14:04:38Z)
• Towards Lightweight Cross-domain Sequential Recommendation via External Attention-enhanced Graph Convolution Network [7.1102362215550725]
  クロスドメインシークエンシャルレコメンデーション(CSR)は、複数のドメインからのインタラクションをモデル化することで、重複したユーザの振る舞いパターンの進化を描いている。 上記の課題,すなわちLEA-GCNを解決するために,軽量な外部注意強化GCNベースのフレームワークを導入する。 フレームワークの構造をさらに緩和し、ユーザ固有のシーケンシャルパターンを集約するために、新しい二重チャネル外部注意(EA)コンポーネントを考案する。
  論文  参考訳（メタデータ） (2023-02-07T03:06:29Z)
• SIRe-Networks: Skip Connections over Interlaced Multi-Task Learning and Residual Connections for Structure Preserving Object Classification [28.02302915971059]
  本稿では、オブジェクト分類タスクにおける消失勾配を低減するために、SIReを定義したインターレース型マルチタスク学習戦略を提案する。 提案手法は、自動エンコーダを介して入力画像構造を保存することにより、畳み込みニューラルネットワーク(CNN)を直接改善する。 提案手法を検証するため、SIRe戦略を介して単純なCNNと有名なネットワークの様々な実装を拡張し、CIFAR100データセットで広範囲にテストする。
  論文  参考訳（メタデータ） (2021-10-06T13:54:49Z)
• Enhancing the Generalization for Intent Classification and Out-of-Domain Detection in SLU [70.44344060176952]
  インテント分類は、音声言語理解(SLU)における主要な課題である 近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。 本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-06-28T08:27:38Z)
• Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
  本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。 ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。 実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-30T06:38:23Z)
• Modeling long-term interactions to enhance action recognition [81.09859029964323]
  本稿では,フレームレベルと時間レベルの両方でオブジェクト間の相互作用のセマンティクスを利用する,エゴセントリックなビデオのアンダースタンドアクションに対する新しいアプローチを提案する。 ユーザの手とほぼ対応するプライマリ領域と、相互作用するオブジェクトに対応する可能性のあるセカンダリ領域のセットを入力として、領域ベースのアプローチを使用する。 提案手法は, 標準ベンチマークの動作認識において, 最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2021-04-23T10:08:15Z)
• Context Decoupling Augmentation for Weakly Supervised Semantic Segmentation [53.49821324597837]
  微調整されたセマンティックセグメンテーションは、近年深く研究されている困難な問題です。 本稿では、オブジェクトが現れる固有のコンテキストを変更する Context Decoupling Augmentation (CDA) メソッドを紹介します。 提案手法の有効性を検証するため, PASCAL VOC 2012データセットにいくつかの代替ネットワークアーキテクチャを用いた広範な実験を行い, CDAが様々なWSSS手法を新たな最先端技術に拡張できることを実証した。
  論文  参考訳（メタデータ） (2021-03-02T15:05:09Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)

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。