Gated Mechanism Enhanced Multi-Task Learning for Dialog Routing

要約

タイトル：対話型ルーティングのためのGated Mechanism Enhanced Multi-Task Learning

要約：
– E-commerceのような人工知能（AI）と人間の協働による対話システムにおいて、対話ルーティング機能は全体的な効率の向上、人的リソースコストの削減、およびユーザーエクスペリエンスの向上に欠かせないものである。
– 多くの既存の方法は、この要件を満たすことができるが、単一のソースの対話データしかモデル化することができず、データとサブタスク間の関係や潜在的な知識を効果的にキャプチャすることができない。
– この研究では、さまざまな種類の対話データ間のデータとタスクの両方の知識を徹底的に探索し、その重要な問題を解決する方法を提案する。
– 上記の目標を達成するために、提案されたGated Mechanism Enhanced Multi-task Model（G3M）には、新しい対話エンコーダーと2つのカスタムゲートメカニズムモジュールが含まれている。
– この方法は、階層的な情報フィルタリングの役割を果たし、既存の対話システムへの影響が少ない。実際のアプリケーションから収集された2つのデータセットを基に、豊富な実験結果が提示され、RMSEメトリックで8.7％/11.8％、F1メトリックで2.2％/4.4％改善され、最先端のパフォーマンスを達成することができることが示された。

要約(オリジナル)

Currently, human-bot symbiosis dialog systems, e.g., pre- and after-sales in E-commerce, are ubiquitous, and the dialog routing component is essential to improve the overall efficiency, reduce human resource cost, and enhance user experience. Although most existing methods can fulfil this requirement, they can only model single-source dialog data and cannot effectively capture the underlying knowledge of relations among data and subtasks. In this paper, we investigate this important problem by thoroughly mining both the data-to-task and task-to-task knowledge among various kinds of dialog data. To achieve the above targets, we propose a Gated Mechanism enhanced Multi-task Model (G3M), specifically including a novel dialog encoder and two tailored gated mechanism modules. The proposed method can play the role of hierarchical information filtering and is non-invasive to existing dialog systems. Based on two datasets collected from real world applications, extensive experimental results demonstrate the effectiveness of our method, which achieves the state-of-the-art performance by improving 8.7\%/11.8\% on RMSE metric and 2.2\%/4.4\% on F1 metric.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI