[論文レビュー] Personalization in Goal-Oriented Dialog

Chaitanya K. Joshi, Fei Mi+1 more|arXiv (Cornell University)|Jun 22, 2017

Topic Modeling参考文献 12被引用数 63

ひとこと要約

本論文は、話者プロファイルに影響を受けるゴール駆動型対話のデータセットを紹介し、エンドツーエンド対話システムを個別化するためのアーキテクチャ設計とマルチタスク学習のアプローチを提案する。Memory Networksに基づく対話モデルを分析し、共有特徴を用いるマルチタスクモデルがプロファイルごとのモデルを上回ることを示している。

ABSTRACT

The main goal of modeling human conversation is to create agents which can interact with people in both open-ended and goal-oriented scenarios. End-to-end trained neural dialog systems are an important line of research for such generalized dialog models as they do not resort to any situation-specific handcrafting of rules. However, incorporating personalization into such systems is a largely unexplored topic as there are no existing corpora to facilitate such work. In this paper, we present a new dataset of goal-oriented dialogs which are influenced by speaker profiles attached to them. We analyze the shortcomings of an existing end-to-end dialog system based on Memory Networks and propose modifications to the architecture which enable personalization. We also investigate personalization in dialog as a multi-task learning problem, and show that a single model which shares features among various profiles outperforms separate models for each profile.

研究の動機と目的

• エンドツーエンドのゴール志向対話システムにおける個別化の必要性を動機づける。
• 話者プロファイルを添付したゴール指向対話のデータ資源を紹介する。
• 既存の Memory Networks-based 対話モデルを評価し、個別化志向の修正を提案する。
• プロファイル間で特徴を共有しパフォーマンスを向上させる方法としてマルチタスク学習を検討する。

提案手法

• Memory Networks-based のエンドツーエンド対話システムを分析し、個別化の欠点を特定する。
• 対話モデルで個別化を実現するためのアーキテクチャ的変更を提案する。
• 個別化をマルチタスク学習の問題として位置づけ、共有モデル1つのアプローチとプロファイル固有モデルを比較する。
• プロファイル間での共有特徴学習の利点と、分離したモデルとの比較を評価する。
• 再現性と今後の研究を促進するためのコードとデータを提供する。

実験結果

リサーチクエスチョン

• RQ1 Memory Networks-based の対話モデルを拡張して話者プロファイルの個別化を組み込むことは可能か？
• RQ2 アーキテクチャの変更はゴール指向対話システムにおける効果的な個別化を実現するか？
• RQ3 プロファイル間で共有特徴を持つ単一のマルチタスクモデルは、各プロファイルごとの別々のモデルより優れているか？

主な発見

• ゴール指向対話における個別化は Memory Networks のアーキテクチャを変更することで実現できる。
• プロファイル間で共有特徴を持つマルチタスク学習アプローチは、プロファイルごとに分かれたモデルより上回る可能性がある。
• プロファイル間で表現を共有することは、各プロファイルごとに別個のモデルを作成することなく個別化を向上させることができる。