Leveraging Few-Shot Data Augmentation and Waterfall Prompting for Response Generation

要約

この論文では、主観的な知識を使用したタスク指向の会話モデリングのアプローチについて、特に応答生成に重点を置いて説明します。
私たちの方法論は、提供されたデータセットに存在する応答の長さ、センチメント、対話行為などの重要な要素を評価する広範なデータ分析によって形成されました。
私たちは、少数ショット学習を使用して、新しく生成された主観的な知識項目でデータを強化し、DSTC11 の 3 つのアプローチを提示しました: (1) タスク固有のモデルの探索、(2) 生成されたすべての応答への最も頻繁な質問の組み込み、および (3)
GPT-3 と ChatGPT の両方を組み合わせて使用​​するウォーターフォール プロンプト手法。

要約(オリジナル)

This paper discusses our approaches for task-oriented conversational modelling using subjective knowledge, with a particular emphasis on response generation. Our methodology was shaped by an extensive data analysis that evaluated key factors such as response length, sentiment, and dialogue acts present in the provided dataset. We used few-shot learning to augment the data with newly generated subjective knowledge items and present three approaches for DSTC11: (1) task-specific model exploration, (2) incorporation of the most frequent question into all generated responses, and (3) a waterfall prompting technique using a combination of both GPT-3 and ChatGPT.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google