利用多特征嵌入提升协作对话分析的泛化能力
计算与语言
2023-02-10 v1
摘要
通信中的冲突预测对于设计能够通过提供及时协助来支持成功团队合作的虚拟智能体至关重要。我们研究的目的是分析话语以预测协作成功。遗憾的是，资源稀缺是团队合作研究者普遍面临的问题，因为很难收集大量训练样本。为缓解此问题，本文提出一种多特征嵌入（MFeEmb），可提升基于对话序列训练的冲突预测模型的泛化能力。MFeEmb 通过融合词汇、对话行为和情感特征，利用对话中的文本、结构和语义信息。对话行为与情感特征的使用减少了主要由词汇变化引起的自然分布偏移所带来的性能损失。本文在领域自适应问题上验证了 MFeEmb 的性能：模型在一个任务领域的话语上训练，并应用于预测另一领域的团队表现。MFeEmb 的泛化能力使用 Bontonou 等人（2021）提出的相似性度量进行量化。我们的结果表明，MFeEmb 可作为在协作多方对话上进行少样本模型元预训练的优异领域无关表示。
引用
@article{arxiv.2302.04716,
title = {Improving the Generalizability of Collaborative Dialogue Analysis with Multi-Feature Embeddings},
author = {Ayesha Enayet and Gita Sukthankar},
journal= {arXiv preprint arXiv:2302.04716},
year = {2023}
}
备注
To be published in the 17th Conference of the European Chapter of the Association for Computational Linguistics (EACL 2023)