論文の概要: Controllable Conversational Theme Detection Track at DSTC 12

• arxiv url: http://arxiv.org/abs/2508.18783v1
• Date: Tue, 26 Aug 2025 08:10:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.745451
• Title: Controllable Conversational Theme Detection Track at DSTC 12
• Title（参考訳）: DSTC 12における可制御型会話テーマ検出トラック
• Authors: Igor Shalyminov, Hang Su, Jake Vincent, Siffi Singh, Jason Cai, James Gung, Raphael Shu, Saab Mansour,
• Abstract要約: 本稿では,会話分析における重要な課題として,テーマ検出を導入する。 従来の対話意図の検出とは異なり、テーマは会話の中核的な質問の直接的でユーザ向きの要約として意図されている。 ダイアログ・システム・テクノロジー・チャレンジ12(Dialog System Technology Challenge 12)において,パブリック・コンペティション・トラックとして制御可能な会話テーマ検出問題を提起した。
• 参考スコア（独自算出の注目度）: 24.160077192565087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conversational analytics has been on the forefront of transformation driven by the advances in Speech and Natural Language Processing techniques. Rapid adoption of Large Language Models (LLMs) in the analytics field has taken the problems that can be automated to a new level of complexity and scale. In this paper, we introduce Theme Detection as a critical task in conversational analytics, aimed at automatically identifying and categorizing topics within conversations. This process can significantly reduce the manual effort involved in analyzing expansive dialogs, particularly in domains like customer support or sales. Unlike traditional dialog intent detection, which often relies on a fixed set of intents for downstream system logic, themes are intended as a direct, user-facing summary of the conversation's core inquiry. This distinction allows for greater flexibility in theme surface forms and user-specific customizations. We pose Controllable Conversational Theme Detection problem as a public competition track at Dialog System Technology Challenge (DSTC) 12 -- it is framed as joint clustering and theme labeling of dialog utterances, with the distinctive aspect being controllability of the resulting theme clusters' granularity achieved via the provided user preference data. We give an overview of the problem, the associated dataset and the evaluation metrics, both automatic and human. Finally, we discuss the participant teams' submissions and provide insights from those. The track materials (data and code) are openly available in the GitHub repository.
• Abstract（参考訳）: 会話分析は、音声および自然言語処理技術の進歩によって推進される変換の最前線にある。 分析分野におけるLarge Language Models(LLM)の急速な採用は、新たな複雑性とスケールのレベルに自動化可能な問題を取り除いている。 本稿では,会話中の話題を自動的に識別し分類することを目的とした,会話分析における重要な課題としてテーマ検出を導入する。 このプロセスは、特に顧客サポートや販売といった領域において、拡張ダイアログの分析に関わる手作業を大幅に削減する。 ダウンストリームシステムロジックの意図の固定セットにしばしば依存する従来の対話意図検出とは異なり、テーマは会話のコアサーベイの直接的でユーザ向きの要約として意図されている。 この区別により、テーマサーフェスフォームとユーザ固有のカスタマイズの柔軟性が向上する。 ダイアログ・システム・テクノロジー・チャレンジ(DSTC)12の公開コンペティション・トラックとして制御可能な会話テーマ検出問題を提起する。 本稿では,問題,関連するデータセット,評価指標について概説する。 最後に、参加者チームの提案について議論し、そこから洞察を提供する。 トラック資料(データとコード)はGitHubリポジトリで公開されている。

関連論文リスト

• DTECT: Dynamic Topic Explorer & Context Tracker [0.8962460460173959]
  DTECT(Dynamic Topic Explorer & Context Tracker)は、テキストデータと意味のある時間的洞察のギャップを埋めるエンドツーエンドシステムである。 DTECTは、データ前処理、複数のモデルアーキテクチャ、時間的トピックモデルのトピック品質を分析するための専用の評価メトリクスをサポートする統合ワークフローを提供する。 LLMによる自動トピックラベリング、時間順な単語によるトレンド分析、文書レベルの要約によるインタラクティブな可視化、直感的なデータクエリのための自然言語チャットインターフェースの導入により、解釈可能性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-07-10T16:44:33Z)
• Personalized Topic Selection Model for Topic-Grounded Dialogue [24.74527189182273]
  現在のモデルは、ユーザに興味がなく、文脈的に無関係なトピックを予測する傾向があります。 我々はtextbfTopic-grounded textbfDialogue のための textbfPersonalized topic stextbfElection model を提案する。 提案手法は,多種多様な応答を生成でき,最先端のベースラインを達成できる。
  論文  参考訳（メタデータ） (2024-06-04T06:09:49Z)
• Multi-turn Dialogue Comprehension from a Topic-aware Perspective [70.37126956655985]
  本稿では,話題認識の観点から,マルチターン対話をモデル化することを提案する。 対話文のセグメント化アルゴリズムを用いて、対話文を教師なしの方法でトピック集中フラグメントに分割する。 また,トピックセグメントを処理要素として扱う新しいモデルとして,トピック認識デュアルアテンションマッチング(TADAM)ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T11:03:55Z)
• Multi-Granularity Prompts for Topic Shift Detection in Dialogue [13.739991183173494]
  対話トピックシフト検出の目標は、会話中の現在のトピックが変更されたか、変更する必要があるかを特定することである。 従来の研究は、事前訓練されたモデルを用いて発話を符号化するトピックシフトの検出に重点を置いていた。 我々は,複数粒度での対話,すなわちラベル,ターン,トピックから話題情報を抽出するために,プロンプトベースのアプローチを採用する。
  論文  参考訳（メタデータ） (2023-05-23T12:35:49Z)
• SuperDialseg: A Large-scale Dataset for Supervised Dialogue Segmentation [55.82577086422923]
  文書地上対話の助けを借りて,対話のセグメンテーションポイントを実現可能な定義を提供する。 我々は,9,478の対話を含むSuperDialsegと呼ばれる大規模教師付きデータセットをリリースする。 また、対話セグメンテーションタスクの5つのカテゴリにまたがる18のモデルを含むベンチマークも提供する。
  論文  参考訳（メタデータ） (2023-05-15T06:08:01Z)
• Unsupervised Summarization for Chat Logs with Topic-Oriented Ranking and Context-Aware Auto-Encoders [59.038157066874255]
  本稿では,手動ラベル付きデータを用いずにチャット要約を行うrankaeという新しいフレームワークを提案する。 RankAEは、中心性と多様性に応じてトピックの発話を同時に選択するトピック指向のランキング戦略で構成されています。 消音自動エンコーダは、選択された発話に基づいて簡潔でコンテキスト情報に基づいた要約を生成するように設計されています。
  論文  参考訳（メタデータ） (2020-12-14T07:31:17Z)
• Response Selection for Multi-Party Conversations with Dynamic Topic Tracking [63.15158355071206]
  我々は、応答と関連する会話コンテキストの間のトピックを一致させるために、動的トピック追跡タスクとして応答選択をフレーム化する。 本研究では,大規模な事前学習モデルによる効率的な符号化を支援する新しいマルチタスク学習フレームワークを提案する。 DSTC-8 Ubuntu IRCデータセットの実験結果は、応答選択とトピックのアンタングル化タスクにおける最先端の結果を示している。
  論文  参考訳（メタデータ） (2020-10-15T14:21:38Z)
• Topic-Aware Multi-turn Dialogue Modeling [91.52820664879432]
  本稿では,トピック認識発話を教師なしでセグメント化して抽出する,多元対話モデリングのための新しいソリューションを提案する。 トピック・アウェア・モデリングは、新たに提案されたトピック・アウェア・セグメンテーション・アルゴリズムとトピック・アウェア・デュアル・アテンション・マッチング(TADAM)ネットワークによって実現されている。
  論文  参考訳（メタデータ） (2020-09-26T08:43:06Z)
• Detecting and Classifying Malevolent Dialogue Responses: Taxonomy, Data and Methodology [68.8836704199096]
  コーパスベースの会話インタフェースは、テンプレートベースのエージェントや検索ベースのエージェントよりも多様な自然なレスポンスを生成することができる。 コーパスベースの会話エージェントの生成能力が増大すると、マレヴォレントな反応を分類し、フィルタリングする必要性が生じる。 不適切な内容の認識と分類に関するこれまでの研究は、主にある種のマレヴォレンスに焦点を絞っている。
  論文  参考訳（メタデータ） (2020-08-21T22:43:27Z)

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。