CluCDD：基于聚类的对比式对话解缠
计算与语言
2023-02-17 v1
摘要
每天都有大量多参与者对话在线上发生，这导致人类和机器都难以理解对话动态的本质。对话解缠旨在将纠缠在一起的对话分离为独立的会话，从而提升冗长无序对话的可读性。以往研究主要采用两步法中的消息对分类与聚类，无法保证对话整体的聚类性能。为应对这一挑战，我们提出了一个简洁而有效的模型 CluCDD，通过对比学习聚合话语。具体而言，我们的模型将同一会话中的话语拉近，并将不同会话中的话语推远。随后采用聚类方法生成预测的聚类标签。在 Movie Dialogue 数据集和 IRC 数据集上进行的综合实验表明，我们的模型取得了新的 SOTA 结果。
引用
@article{arxiv.2302.08146,
title = {CluCDD:Contrastive Dialogue Disentanglement via Clustering},
author = {Jingsheng Gao and Zeyu Li and Suncheng Xiang and Ting Liu and Yuzhuo Fu},
journal= {arXiv preprint arXiv:2302.08146},
year = {2023}
}
备注
5 pages