Speaker Profiling in Multiparty Conversations

要約

タイトル:多人数会話におけるスピーカープロファイリング
要約:
– 会話の中で個人は独自の振る舞いを示すため、全員に対する一斉対応は十分ではない。また、過去の研究ではスピーカーのペルソナ情報を使用してパーソナライズされた対話エージェントを作成することを目的とし、スピーカーのペルソナ情報が既に提供されていることを前提としていたが、特に銀行、ホテル予約、航空予約などの業界で使用されるチャットボットでは、この前提が常に正しいわけではない。本稿は、会話の中でのスピーカープロファイリング(SPC)の課題について探索することでこのギャップを埋めることを目的とする。
– SPCの主要な目的は、対話に参加する各個人スピーカーのペルソナ的特徴の要約を生成することである。これを達成するために、私たちはタスクを3つのサブタスクに分けている。第1のサブタスクは、ペルソナ情報を含む発話をすべて特定することを目的とする。その後、第2のタスクでは、これらの発話を評価し、含まれるペルソナ情報のタイプを特定する。第3のサブタスクでは、各識別されたタイプの特定ペルソナ値を識別する。
– SPCの課題に対処するため、SPICEという新しいデータセットを作成し、特定のラベルと共に提供している。私たちはこのデータセット上でさまざまなベースラインを評価し、この論文で紹介する新しいニューラルモデルであるSPOTとベンチマークを行う。さらに、SPOTの各モジュールの限界について、数量的および質的に詳細な分析を行う。

要約(オリジナル)

In conversational settings, individuals exhibit unique behaviors, rendering a one-size-fits-all approach insufficient for generating responses by dialogue agents. Although past studies have aimed to create personalized dialogue agents using speaker persona information, they have relied on the assumption that the speaker’s persona is already provided. However, this assumption is not always valid, especially when it comes to chatbots utilized in industries like banking, hotel reservations, and airline bookings. This research paper aims to fill this gap by exploring the task of Speaker Profiling in Conversations (SPC). The primary objective of SPC is to produce a summary of persona characteristics for each individual speaker present in a dialogue. To accomplish this, we have divided the task into three subtasks: persona discovery, persona-type identification, and persona-value extraction. Given a dialogue, the first subtask aims to identify all utterances that contain persona information. Subsequently, the second task evaluates these utterances to identify the type of persona information they contain, while the third subtask identifies the specific persona values for each identified type. To address the task of SPC, we have curated a new dataset named SPICE, which comes with specific labels. We have evaluated various baselines on this dataset and benchmarked it with a new neural model, SPOT, which we introduce in this paper. Furthermore, we present a comprehensive analysis of SPOT, examining the limitations of individual modules both quantitatively and qualitatively.

arxiv情報

著者 Shivani Kumar,Rishabh Gupta,Md Shad Akhtar,Tanmoy Chakraborty
発行日 2023-04-18 08:04:46+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, OpenAI

カテゴリー: cs.AI, cs.CL パーマリンク