How About Kind of Generating Hedges using End-to-End Neural Models?

要約

ヘッジは、会話中の発言の影響を和らげるための戦略です。
表現の強さを弱めることは、聞き手の当惑（より専門的には「脅威に直面する」）を避けるのに役立つかもしれません。
このため、家庭教師などの指導の場面でよく見られます。
この研究では、i) 人間間の個別指導データでトレーニングされた最先端の言語モデルの微調整に基づいてヘッジ生成モデルを開発し、その後 ii) 予想されるヘッジに最もよく一致する候補を選択するための再ランキングを行います。
ヘッジ分類器を使用して候補プール内の戦略を決定します。
この方法を、かなりの数の不一致、繰り返し、修復を含む自然なピアチュータリング コーパスに適用します。
結果は、このノイズの多い環境での生成が再ランキングによって実現可能であることを示しています。
両方のアプローチのエラー分析を実施することで、会話において社会的目標とタスク指向の目標の両方を達成しようとするシステムが直面する課題を明らかにします。

要約(オリジナル)

Hedging is a strategy for softening the impact of a statement in conversation. In reducing the strength of an expression, it may help to avoid embarrassment (more technically, “face threat”) to one’s listener. For this reason, it is often found in contexts of instruction, such as tutoring. In this work, we develop a model of hedge generation based on i) fine-tuning state-of-the-art language models trained on human-human tutoring data, followed by ii) reranking to select the candidate that best matches the expected hedging strategy within a candidate pool using a hedge classifier. We apply this method to a natural peer-tutoring corpus containing a significant number of disfluencies, repetitions, and repairs. The results show that generation in this noisy environment is feasible with reranking. By conducting an error analysis for both approaches, we reveal the challenges faced by systems attempting to accomplish both social and task-oriented goals in conversation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google