[論文レビュー] Augmenting Non-Collaborative Dialog Systems with Explicit Semantic and Strategic Dialog History

Yiheng Zhou, Yulia Tsvetkov+2 more|arXiv (Cornell University)|Sep 30, 2019

Topic Modeling参考文献 30被引用数 13

ひとこと要約

本稿では、交渉や説得を含む非協力的対話システムにおける意味的意図と戦略的戦術を明示的にモデル化するために、重み付き有限状態トランスダクタ（FST）を用いる手法を提案する。対話行動および戦略の系列を用いてFSTを訓練することで、エンドツーエンドの対話生成とポリシー計画が向上し、2つの異なるドメインにおいて、RNNベースのベースラインと比較して戦略予測精度および応答品質の両面で顕著に優れている。

ABSTRACT

We study non-collaborative dialogs, where two agents have a conflict of interest but must strategically communicate to reach an agreement (e.g., negotiation). This setting poses new challenges for modeling dialog history because the dialog's outcome relies not only on the semantic intent, but also on tactics that convey the intent. We propose to model both semantic and tactic history using finite state transducers (FSTs). Unlike RNN, FSTs can explicitly represent dialog history through all the states traversed, facilitating interpretability of dialog structure. We train FSTs on a set of strategies and tactics used in negotiation dialogs. The trained FSTs show plausible tactic structure and can be generalized to other non-collaborative domains (e.g., persuasion). We evaluate the FSTs by incorporating them in an automated negotiating system that attempts to sell products and a persuasion system that persuades people to donate to a charity. Experiments show that explicitly modeling both semantic and tactic history is an effective way to improve both dialog policy planning and generation performance.

研究の動機と目的

• 対話の目的が対立するが合意に至らなければならない非協力的対話システムにおいて、意味的意図と戦略的戦術の両方をモデル化する課題に対処すること。
• 歴史を暗黙的に符号化するRNNベースのモデルが、交渉や説得における戦略的構造を捉えられないとする限界を克服すること。
• 教師ありの信念スパンやルールベースの監視に依存せず、無教師で事前学習された有限状態トランスダクタ（FST）を用いて、対話履歴を解釈可能な記号的メソッドで追跡する方法を開発すること。
• 明示的な戦術および意味的履歴のモデル化が、対話ポリシー計画および応答生成の改善にどの程度有効であるかを評価すること。

提案手法

• 提案するFeHEDモデルは、2つの事前学習済み重み付き有限状態トランスダクタ（FST）を用いる：対話行動用（FST-DA）および交渉／説得戦略用（FST-S）、両者ともラベルなし対話系列で学習された。
• 対話行動と戦略は、専用の分類器を用いて発話から抽出され、それらがFSTに供給され、対話状態の記号的かつ解釈可能な履歴を維持する。
• 階層的エンコーダデコーダ（HED）モデルは、FSTの状態埋め込みと過去の発話を条件として、文脈に適した応答を生成する。
• FSTは明示的な状態遷移と経路追跡を提供し、RNNよりも次なる行動（例：反提案や拒否）の予測をより良く行える。
• 本システムは、自動製品交渉と寄付募金説得の2つの非協力的設定で評価されている。
• FSTは無教師で学習され、人手による信念スパンやルールベースの監視に依存しない。

実験結果

リサーチクエスチョン

• RQ1 意味的意図と戦略的戦術の明示的モデル化が、非協力的対話システムにおける対話ポリシー計画および応答生成を改善できるか？
• RQ2 FSTを用いた履歴追跡は、RNNベースの隠れ状態モデルに比べて、対話構造および戦略系列の捉え方で優れているか？
• RQ3 FSTは交渉や説得といった非協力的ドメイン間でどの程度一般化できるか？
• RQ4 FSTから得られる状態埋め込みを組み込むことで、対話システムにおける戦略予測の解釈可能性と正確性が向上するか？
• RQ5 特に初期段階の対話において、FSTは再帰モデルよりも戦術履歴をよりよく保持できるか？

主な発見

• FST強化型階層的エンコーダデコーダ（FeHED）モデルは、BLEUや戦略予測精度を含む5つの評価指標のうち4つで、すべてのベースラインモデルを顕著に上回った。
• FeHEDは戦略予測精度0.76を達成し、FSTが戦略的対話構造を効果的にモデル化できていることを示している。
• 定性的分析では、FeHEDは「前回の戦術（『それを引き受ける』）」に適切に対応し、「私はあなたに届けます」と応答したが、RNNベースラインはその戦術を無視し、新しい価格を提示した。
• FSTモデルは、現在の状態で「価格を提示する」確率を0.51に設定し、早期に合意するのではなく反提案を行うようにシステムを誘導した。
• FSTは対話の経路と状態を明示的に追跡するため、RNNよりも解釈性が高く、次なるステップの予測もより正確になった。
• モデルは他の非協力的ドメインへも良好に一般化しており、交渉および説得の両タスクで強い性能を示している。