@进行中{郑etal-2023-dialogqae,title=“{D}对话{QAE}:N-to-N从客户服务聊天记录中提取问答对”,author=“郑欣刘天宇孟浩然和王、徐和姜瑜凡饶、孟良和林、冰淮和曹云波和隋志芳”,editor=“Bouamor、Houda和皮诺、胡安和巴厘岛,卡利卡”,booktitle=“计算语言学协会的发现:EMNLP 2023”,月=12月,年=“2023”,address=“新加坡”,publisher=“计算语言学协会”,url=“https://aclantology.org/2023.findings-emnlp.435”,doi=“10.18653/v1/2023.findings-emnlp.435”,pages=“6540--6558”,abstract=“收获问题回答(QA)来自野外客户服务聊天日志的配对是在冷启动或持续集成场景中丰富客户服务聊天机器人知识库的有效方法。以前的工作试图从不断增长的客户服务聊天日志中获取1对1的QA对,这无法整合对话上下文中的不完整语句以进行复合QA检索。在本文中,我们提出了N到N的QA提取任务,其中导出的问题和相应的答案可以在不同的话语中分离。我们引入了一套基于生成/区分标记的方法,该方法具有端到端和两阶段变体,在5个客户服务数据集上表现良好,并首次使用话语和会话级评估指标建立了N-to-N对话QAE的基准。通过深入研究提取的问答对,我们发现问答对之间和内部的关系可以作为分析对话结构的指标,例如信息寻求、澄清、谈判和细化。我们还表明,所提出的模型能够适应不同的领域和语言,并降低了实际产品对话平台中知识积累的人工成本。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“zheng-etal-2023-dialogqae”><标题信息>对话QAE:N-to-N客户服务聊天中的问答对提取</titleInfo><name type=“personal”><namePart type=“given”>Xin</namePart>信</namePart郑<角色>作者</角色></name><name type=“personal”>天宇<namePart type=“given”>刘<角色>作者</角色></name><name type=“personal”>浩然孟<角色>作者</角色></name><name type=“personal”><namePart type=“given”>徐</namePart><namePart type=“family”>王</namePart><角色>作者</角色></name><name type=“personal”>宇凡<namePart type=“given”>江<namePart type=“family”><角色>作者</角色></name><name type=“personal”>孟良<namePart type=“family”>拉奥</namePart><角色>作者</角色></name><name type=“personal”>冰淮林<角色>作者</角色></name><name type=“personal”>云波<namePart type=“given”>曹(Cao)<角色>作者</角色></name><name type=“personal”>智芳<namePart type=“given”><namePart type=“family”>隋<角色>作者</角色></name><originInfo>2023-12年发布</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会的发现:EMNLP 2023</titleInfo><name type=“personal”>侯达布阿莫尔<角色>编辑器</角色></name><name type=“personal”>胡安皮诺<角色>编辑器</角色></name><name type=“personal”>卡利卡语巴厘岛<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>新加坡</place></originInfo>会议出版物</relatedItem>从野外的客户服务聊天日志中收集问答(QA)对是在冷启动或持续集成场景中丰富客户服务聊天机器人知识库的有效方法。以前的工作试图从不断增长的客户服务聊天日志中获取1对1的QA对,这无法整合对话上下文中的不完整语句以进行复合QA检索。在本文中,我们提出了N对N的问答抽取任务,在该任务中,派生的问题和相应的答案可以跨不同的语句进行分离。我们引入了一套基于生成/区分标记的方法,该方法具有端到端和两阶段变体,在5个客户服务数据集上表现良好,并首次使用话语和会话级评估指标建立了N-to-N对话QAE的基准。通过深入研究提取的问答对,我们发现问答对之间和内部的关系可以作为分析对话结构的指标,例如信息寻求、澄清、谈判和细化。我们还表明,所提出的模型能够适应不同的领域和语言,并降低了实际产品对话平台中知识积累的人工成本</摘要>郑etal-2023-dialogqae10.18653/v1/2023.findings-emnlp.435<位置><网址>https://aclantology.org/2023.findings-emnlp.435</url></位置><部分>2023-12年<扩展单元=“page”><开始>6540</开始><end>6558</范围></部分></mods></modsCollection>
%0会议记录%T DialogQAE:N-to-N客户服务聊天中的问答对提取%阿正、辛%A Liu,天宇%阿蒙、浩然%阿旺、徐%余凡·阿江%孟良阿饶%阿琳,冰怀%阿曹、云波%阿穗、志芳%Y Bouamor,Houda公司%胡安·皮诺%Y巴厘岛,卡利卡%计算语言学协会的发现:EMNLP 2023%D 2023年%12月8日%计算语言学协会%C新加坡%F zheng-etal-2023-对话%X在野外从客户服务聊天日志中收集问题答案(QA)对是在冷启动或持续集成场景中丰富客户服务聊天机器人知识库的有效方法。以前的工作试图从不断增长的客户服务聊天日志中获取1对1的QA对,这无法整合对话上下文中的不完整语句以进行复合QA检索。在本文中,我们提出了N到N的QA提取任务,其中导出的问题和相应的答案可以在不同的话语中分离。我们引入了一套基于生成/区分标记的方法,该方法具有端到端和两阶段变体,在5个客户服务数据集上表现良好,并首次使用话语和会话级评估指标建立了N-to-N对话QAE的基准。通过深入研究提取的问答对,我们发现问答对之间和内部的关系可以作为分析对话结构的指标,例如信息寻求、澄清、谈判和细化。我们还表明,所提出的模型能够适应不同的领域和语言,并降低了实际产品对话平台中知识积累的人工成本。%R 10.18653/v1/2023.查找-emnlp.435%U型https://aclantology.org/2023.findings-emnlp.435%U型https://doi.org/10.18653/v1/2023.findings-emnlp.435%电话:6540-6558
降价(非正式)
[DialogQAE:N-to-N客服聊天中的问答对提取](https://acl选集.org/2023.findings-emnlp.435)(Zheng等人,发现2023)
国际计算语言学协会