文献

J-GLOBAL ID：201702268415392274   整理番号：17A0869640

マルチターン対話における次発話予測での効果的な特徴量の統合手法およびその分析

著者 (2件)： 玉木竜二 (電通大 大学院情報システム学研究科) ,  南泰浩 (電通大 大学院情報システム学研究科)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 117  号： 81(TL2017 1-12)  ページ： 65-68  発行年： 2017年06月02日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 現在,様々な複雑なニューラルネットによる対話モデルが提案されている。しかし,複雑なニューラルネットワークでは一般に再現が難しく,また,何が性能向上に寄与しているかわかりにくいという問題点がある。本稿では,この点を考慮して,従来から使われている複数の統計的特徴量とシンプルな複数のニューラルネットワークから得られる複数の特徴量をアンサンブルする手法を提案する。本稿が提案する手法は大規模対話コーパスを用いた次発話予測タスクにおいて,まだ実施されていない国際会議の予稿集で提案されている複雑なニューラルネットワークによるモデルに次ぐ精度を達成した。本稿で用いる手法は,この複雑なモデルに比べ,実装が容易であり再現しやすい。また,対話モデリングにおいてどの特徴が有効かも検証しやすい。この検証を行った結果,特にGRUを用いたDual Encoderモデルの特徴量が最も性能に貢献し,次にTF-IDFの特徴量が性能に貢献することがわかった。(著者抄録)

シソーラス用語： *発話 ,  *順序 ,  *コーパス ,  モデリング ,  *予測モデル ,  *特徴選択 ,  ディシジョンツリー ,  情報 ,  *ニューラルネットワーク
準シソーラス用語： *発話順番 ,  *対話コーパス ,  特徴量 ,  LSTMネットワーク ,  評価実験

分類 (2件)： 自然語処理  (JE06000L) ,  人工知能  (JE08000Z)

引用文献 (9件)：

• 東中竜一郎,船越孝太郎,稲葉通将,荒瀬由紀,角森唯子.対話破綻検出チャレンジ2第78回言語・音声理解と対話処理研究会(第7回対話システムシンポジウム),人工知能学会研究会資料pp.64-67,2016.
• R. Lowe, N. Pow, I. Serban and J. Pineau. The Ubuntu Di-alogue Corpus: A Large Dataset for Research in Unstruc-tured Multi-Turn Dialogue Systems. SIGDIAL, 2015.
• K. Hamed, G. Nishitha and N. Rodney. Dialogue Act Clas-sification in Domain-Independent Conversations Using a Deep Recurrent Neural Network. COLING, 2016
• J. J. Godfrey, E. C. Holliman, and J. McDaniel. SWITCH-BOARD: Telephone Speech Corpus for Research and Devel-opment. Proceedings of the 1992 IEEE International Con-ference on Acoustics, Speech and Signal Processing - Volume 1, pp. 517-520, 1992.
• R. Kadlec, M. Schmid and J. Kleindienst. Improved Deep Learning Baselines for Ubuntu Corpus Dialogs. NIPS Work-shop, 2015.

タイトルに関連する用語 (8件)： マルチ ,  対話 ,  発話 ,  予測 ,  特徴量 ,  統合 ,  手法 ,  分析