[論文レビュー] SocAoG: Incremental Graph Parsing for Social Relation Inference in Dialogues

Liang Qiu, Liang Yuan+6 more|arXiv (Cornell University)|Jun 2, 2021

Topic Modeling参考文献 54被引用数 12

ひとこと要約

本稿では、関係的一致性を保証するために、社会的関係と個々の属性を結合的にモデル化するための、逐次的グラフパースフレームワークであるSocAoGを提案する。新しい会話発話が到着するたびに、MCMCサンプリングを用いたα–β–γ推論戦略により、関係と属性を動的にリアルタイムで更新する。DialogREおよびMovieGraphデータセットにおいて、先行手法を上回る関係推論精度を達成し、最先端の性能を実現した。

ABSTRACT

Inferring social relations from dialogues is vital for building emotionally intelligent robots to interpret human language better and act accordingly. We model the social network as an And-or Graph, named SocAoG, for the consistency of relations among a group and leveraging attributes as inference cues. Moreover, we formulate a sequential structure prediction task, and propose an $\alpha$-$\beta$-$\gamma$ strategy to incrementally parse SocAoG for the dynamic inference upon any incoming utterance: (i) an $\alpha$ process predicting attributes and relations conditioned on the semantics of dialogues, (ii) a $\beta$ process updating the social relations based on related attributes, and (iii) a $\gamma$ process updating individual's attributes based on interpersonal social relations. Empirical results on DialogRE and MovieGraph show that our model infers social relations more accurately than the state-of-the-art methods. Moreover, the ablation study shows the three processes complement each other, and the case study demonstrates the dynamic relational inference.

研究の動機と目的

• 既存の会話ベースの関係抽出手法における関係的一致性モデリングの欠如に対処すること。
• 性別や職業などの個人的属性を、より良い関係予測のための推論の手がかりとして統合すること。
• 会話の各発話ごとに、動的かつ逐次的に社会的関係を推論できること。
• 構造的なグラフィカル表現を用いて、属性と関係の共同進化を社会的に一貫性を持ってモデル化すること。
• 人間の社会的推論に類似した動的信念更新を反映する、解釈可能な推論経路を提供すること。

提案手法

• SocAoGは、グループレベルの整合性と文脈的制約を符号化する階層的アンドオアグラフ（AoG）として、社会的関係と属性をモデル化する。
• αプロセスは、文脈埋め込みを用いて発話の意味を基に、属性と関係の判別的予測を実行する。
• βプロセスは、予測された属性と既存の関係的構造ととの整合性を保つことで、社会的関係を更新する。
• γプロセスは、人間関係に基づいて個々の属性を精緻化し、属性と関係の一貫性を確保する。
• 反復的なα–β–γ更新を通じて、属性と関係の事後分布を共同で推論するためにMCMCサンプリング戦略を用いる。
• フレームワークは逐次的パースをサポートしており、会話の各新しい発話に対してリアルタイムの信念更新が可能である。

実験結果

リサーチクエスチョン

• RQ1 属性と関係の共同モデリングは、独立した関係抽出と比較して、会話における社会的関係推論を改善できるか？
• RQ2 α–β–γプロセスを用いた逐次的グラフパースは、会話中に進化する社会的関係を追跡するのにどの程度有効か？
• RQ3 性別や職業などの属性の手がかりは、関係推論の正確性をどの程度向上させるか？
• RQ4 α、β、γの3つのプロセスは、一体となって一貫性を維持し、性能を向上させるためにどのように補い合うか？
• RQ5 動的信念更新を通じて、動的かつ解釈可能な推論経路を社会的ネットワークで明らかにできるか？

主な発見

• 本モデルは、DialogREデータセットで69.1（σ=0.5）という最先端のF1スコアを達成し、先行手法を上回った。
• アブレーションスタディにより、3つのプロセス（α、β、γ）が有意に寄与しており、特にαが主な予測能力を提供していることが確認された。
• α–β–γ戦略により動的推論が可能であり、MCMCの受容率が速やかに安定化し、各発話後に収束していることが示された。
• 事例研究では、S5の発話に基づきS1とS2が「親」として間接関係を正しく推論し、年齢や職業といった属性も更新していることが確認された。
• モデルは信念の矛盾を効果的に解消しており、たとえば第7ターンで「Mr. and Mrs. Geller」が登場すると、「友人」から「親」への信念更新を正しく行っている。
• 収束曲線は、重要な関係的ヒントが含まれるターンでピークを示しており、会話における重要な関係的手がかりに敏感であることが明らかになった。