对话系统中参考消解的跨语言方法

NIPSNov, 2018

对话系统中参考消解的跨语言方法

Cross-Lingual Approaches to Reference Resolution in Dialogue Systems

Amr Sharaf, Arpit Gupta, Hancheng Ge, Chetan Naik, Lambert Mathias

TL;DR本文关注跨语言环境下的指代消解，探讨了三种不同的方法 -- 词汇去表示，多语种嵌入和机器翻译，并在低资源和大资源设置下进行了比较，发现在低资源的情况下，多语种嵌入和通过数据增强的词汇去表示方法具有显著的提升，但随着目标语言中可用数据量的增加，其增益逐渐减少。在结合机器翻译的情况下，我们可以获得接近目标语言实时数据的性能，仅需将 25％的数据投影到目标语言中。

Abstract

In the slot-filling paradigm, where a user can refer back to slots in the context during the conversation, the goal of the contextual understanding system is to resolve the referring expressions to the appropriate slots in the context. In this paper, we build on the context carryover s

slot-filling paradigm contextual understanding system cross-lingual methods reference resolution delexicalization

发现论文，激发创造

跨语言迁移学习用于多语言任务导向的对话

本文讨论了在任务导向的对话系统中如何识别用户意图和相应的插槽，并通过多种跨语言转移方法进行数据集训练比较

Oct, 2018

多模态情境对话中的参照解析和上下文变化用于数据可视化探索

该论文探讨在多模态对话中，为了创建新的可视化效果，如何通过引用解析来实现用户对大屏幕可视化的引用。它描述了实体引用注释和引用解析管道，并研究了传统 CRF 和深度学习 / 转换器模型（BiLSTM-CRF 和 BERT-CRF）。结果表明，深度学习方法的转移学习显著提高了性能，虽然 CRF 仍然优于它们，但表明传统方法在低资源数据方面可能具有更好的泛化能力。

Sep, 2022

面向跨语言口语理解的标签感知多层对比学习

本研究提出一个基于对话、槽位和单词水平的对比学习框架来显式对齐跨语言口语理解中隐含语义结构的多语种混合方法，通过引入硬负样本和标签关联联合模型，取得了两个零 - shot 跨语言口语理解的基准数据集中显著的性能改进。

May, 2022

多语言任务导向对话的情境语义解析

通过机器翻译自动翻译对话数据集并使用新的上下文语义解析模型，该方法在多个数据集上提高了准确性并创建了高准确度的多语言对话数据集。

Nov, 2021

低资源语言中以文本为基础的对话系统的跨语言数据增强

本论文提出了一种新框架，利用高资源语言来增强低资源语言的对话生成能力，并通过跨语言增强模型（CLEM）来解决 DGDS 中数据稀缺的问题，包括对抗训练检索，翻译训练和融合生成技术。该方法在 DialDoc 2023 竞赛中获得第四名，表明该模型在跨语言对齐任务中具有很好的效果。

May, 2023

低资源南亚语言中的多语言共指消解

通过使用现成的翻译和词对齐工具，我们引入了一个包含 31 种南亚语言的多语种共指解析翻译数据集（TransMuCoRes）。两个现成的共指解析模型使用 TransMuCoRes 与一份具有手工注释的印地语共指解析数据集的连接进行训练，最佳模型在印地语黄金集上的 LEA F1 得分和 CoNLL F1 得分分别为 64 和 68。此研究是首次在印地语黄金集上评估了一个端到端共指解析模型，并强调了当前共指评估指标在存在拆分先行词的数据集上的局限性，倡导开发更合适的评估指标。

Feb, 2024

低资源自然语言理解的有效迁移学习

本论文旨在解决 NLU 模型在缺乏数据或知识资源时的挑战，提出了跨语言和跨域适应方法及面向低资源语言的关键词增强方法、序列颗粒化建模方法、多领域预训练方法和粗粒度到细粒度的表示学习框架。

Aug, 2022

多语言原型模型在自然语言理解任务中的跨语言可迁移性研究

本文提出一种方案，使用几个样本训练的神经网络和多语言 Transformer 基础模型之间协同作用的跨语言转移，以改进跨语言学习的性能，实验结果表明，我们的方法能够显著提高跨低资源语言与高资源语言之间的转移学习性能，进一步的结果证明了 meta-learning 的能力。

Jul, 2022

学习跨语言映射提升低资源语音识别的数据增强

利用可学习的跨语言映射和数据增强来提高低资源语言的端到端语音识别准确度。

Jun, 2023

ReALM：基于语言建模的参考解析

参考解析是一个重要的问题，对于理解和成功处理各种背景具有至关重要的作用。本文展示了如何利用 LLMs 创建一个极其有效的系统来解析各种类型的参考，通过将参考解析转化为一个语言建模问题，包括屏幕上的实体这类传统上不便于仅限于文本模态的形式。我们展示了在不同类型的参考上相对现有系统相似功能的巨大改进，最小的模型对于屏幕上的参考获得了超过 5％的绝对增益。我们还与 GPT-3.5 和 GPT-4 进行了基准测试，最小的模型在性能上相当于 GPT-4，而我们较大的模型则远远超过了它。

Mar, 2024