論文の概要: S2TDR: Structured Multimodal Reconstruction for Sticker-Aware Dialogue Understanding

• arxiv url: http://arxiv.org/abs/2610.41176v1
• Date: Fri, 30 Oct 2026 02:57:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.598594
• Title: S2TDR: Structured Multimodal Reconstruction for Sticker-Aware Dialogue Understanding
• Title（参考訳）: S2TDR:ステッカー認識対話理解のための構造的マルチモーダル再構成
• Abstract要約: Sticker-to-Text Dialogue Reconstruction (S2TDR)は、ステッカー変換を文脈的に適切なテキスト音声に変換する構造化多モーダル再構築フレームワークである。 S2TDRは、ステッカー解釈を視覚的キュー抽出、感情的意図推論、文脈認識対話再構成に分解する。
• 参考スコア（独自算出の注目度）: 8.731964711454415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stickers are widely used in social media dialogues to express affect, stance, and intent beyond literal text. Their meanings are often non-literal and context-dependent, making them difficult to handle with generic visual fusion or standalone captioning. We propose Sticker-to-Text Dialogue Reconstruction (S2TDR), a structured multimodal reconstruction framework that converts sticker turns into contextually appropriate textual utterances. S2TDR decomposes sticker interpretation into visual cue extraction, affective-intent inference, and context-aware dialogue reconstruction, using OCR text only as an auxiliary cue when available. The reconstructed dialogue can then be consumed by existing text-based dialogue models. Experiments on sentiment analysis, intent recognition, and dialogue summarization show that S2TDR generally improves multiple downstream models over direct sticker integration methods. Further analyses on component ablations, OCR-empty stickers, and reconstruction quality indicate that structured reconstruction provides an interpretable and effective way to integrate sticker semantics into dialogue understanding.
• Abstract（参考訳）: ステッカーは、リテラルテキストを超えた感情、姿勢、意図を表現するために、ソーシャルメディアの対話で広く使われている。 彼らの意味は文字や文脈に依存しないことが多く、一般的な視覚融合やスタンドアローンのキャプションを扱うのが困難である。 S2TDR(Sticker-to-Text Dialogue Reconstruction)は,ステッカー変換を文脈的に適切なテキスト音声に変換する構造的マルチモーダル再構築フレームワークである。 S2TDRは、ステッカー解釈を視覚的キュー抽出、情緒的インテント推論、文脈認識対話再構成に分解し、OCRテキストを使用可能な場合にのみ補助キューとして使用する。 再構成された対話は、既存のテキストベースの対話モデルによって消費される。 感情分析、意図認識、対話要約の実験により、S2TDRは直接ステッカー積分法よりも一般的に複数の下流モデルを改善することが示された。 さらに, コンポーネント・アブレーション, OCR空ステッカー, 再構成品質のさらなる分析により, 構造化された再構成は, ステッカーのセマンティクスを対話理解に組み込むための解釈可能かつ効果的な方法を提供することを示している。

関連論文リスト

• Discourse Coherence and Response-Guided Context Rewriting for Multi-Party Dialogue Generation [25.48484246820614]
  マルチパーティ対話生成を改善するための新しいフレームワークDRCR(Discourse Coherence and Response-guided Context Rewriting)を提案する。 DRCRは2つの相補的なフィードバック信号、談話コヒーレンスと応答品質を用いて、コンテキスト書き換えと応答生成の両方のための好みデータを構成する。 DRCRの有効性を裏付ける4つの多人数対話データセットに関する総合実験を行った。
  論文  参考訳（メタデータ） (2026-04-08T07:52:28Z)
• On Mitigating Data Sparsity in Conversational Recommender Systems [69.70761335240738]
  会話レコメンデータシステム(CRS)は、対話中のテキスト情報を通じてユーザの好みをキャプチャする。 対話空間は広大で言語的に多様であり、アイテム空間は長い尾とスパース分布を示す。 既存の手法では,(1)リッチテキストの活用による多様な対話表現の一般化,(2)重度の疎度下での情報表現の学習に苦慮している。
  論文  参考訳（メタデータ） (2025-07-01T06:54:51Z)
• 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)
• Dialogue Meaning Representation for Task-Oriented Dialogue Systems [51.91615150842267]
  タスク指向対話のための柔軟かつ容易に拡張可能な表現である対話意味表現(DMR)を提案する。 我々の表現は、合成意味論とタスク固有の概念のためのリッチな意味論を表現するために、継承階層を持つノードとエッジのセットを含んでいる。 異なる機械学習ベースの対話モデルを評価するための2つの評価タスクを提案し、さらにグラフベースのコア参照解決タスクのための新しいコア参照解決モデルGNNCorefを提案する。
  論文  参考訳（メタデータ） (2022-04-23T04:17:55Z)
• Dialogue Summaries as Dialogue States (DS2), Template-Guided Summarization for Few-shot Dialogue State Tracking [16.07100713414678]
  DST(Few-shot dialogue state tracking)は、この問題に対する現実的な解決策である。 本稿では,対話状態追跡を対話要約問題として再検討する。
  論文  参考訳（メタデータ） (2022-03-03T07:54:09Z)
• Graph Based Network with Contextualized Representations of Turns in Dialogue [0.0]
  対話に基づく関係抽出(RE)は、対話に現れる2つの引数間の関係を抽出することを目的としている。 本稿では,対話の理解方法に着目したTUCORE-GCN(TUrn Context aware Graph Convolutional Network)を提案する。
  論文  参考訳（メタデータ） (2021-09-09T03:09:08Z)
• Structured Attention for Unsupervised Dialogue Structure Induction [110.12561786644122]
  本稿では、構造化された注意層を離散潜在状態を持つ変化型リカレントニューラルネットワーク(VRNN)モデルに組み込んで、教師なしの方法で対話構造を学ぶことを提案する。 バニラVRNNと比較して、構造化された注意は、構造的帰納バイアスを強制しながら、ソース文の埋め込みの異なる部分にフォーカスすることができる。
  論文  参考訳（メタデータ） (2020-09-17T23:07:03Z)
• Learning to Respond with Stickers: A Framework of Unifying Multi-Modality in Multi-Turn Dialog [65.7021675527543]
  鮮明で魅力的な表現を持つスタンプは、オンラインメッセージングアプリでますます人気が高まっている。 スタンプのテキストラベルと以前の発話をマッチングすることで、スタンプ応答を自動的に選択する作業もある。 我々は,外部ラベルを使わずに,マルチターン・ダイアログのコンテキスト履歴に基づいた適切なステッカーをユーザに提案する。
  論文  参考訳（メタデータ） (2020-03-10T13:10:26Z)

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。