面向开放域对话答案选择的意图校准自训练
计算与语言
2023-07-14 v1
摘要
开放域对话中的答案选择旨在从候选答案中选出准确答案。近期答案选择模型的成功依赖于使用大量标注数据进行训练。然而，收集大规模标注数据费时费力。本文中，我们引入预测的意图标签以在自训练范式中校准答案标签。具体而言，我们提出意图校准自训练(ICAST)，通过意图校准答案选择范式提升伪答案标签的质量，其中我们利用伪意图标签来帮助改善伪答案标签。我们在两个开放域对话基准数据集上进行了大量实验。实验结果表明，在1%、5%和10%标注数据下ICAST始终优于基线。具体而言，与仅使用5%标注数据的最强基线相比，它在两个数据集上分别提升了2.06%和1.00%的F1分数。
引用
@article{arxiv.2307.06703,
title = {Intent-calibrated Self-training for Answer Selection in Open-domain Dialogues},
author = {Wentao Deng and Jiahuan Pei and Zhaochun Ren and Zhumin Chen and Pengjie Ren},
journal= {arXiv preprint arXiv:2307.06703},
year = {2023}
}
备注
This arXiv version is a pre-MIT Press publication version, this paper has been accepted by TACL. 16 pages, 3 figures, 4 tables