An Empirical Assessment of Deep Learning Approaches to Task-Oriented Dialog Management
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F46747885%3A24220%2F21%3A00009301" target="_blank" >RIV/46747885:24220/21:00009301 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.sciencedirect.com/science/article/pii/S0925231221001466" target="_blank" >https://www.sciencedirect.com/science/article/pii/S0925231221001466</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.neucom.2020.01.126" target="_blank" >10.1016/j.neucom.2020.01.126</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
An Empirical Assessment of Deep Learning Approaches to Task-Oriented Dialog Management
Popis výsledku v původním jazyce
Deep learning is providing very positive results in areas related to conversational interfaces, such as speech recognition, but its potential benefit for dialog management has still not been fully studied. In this paper, we perform an assessment of different configurations for deep-learned dialog management with three dialog corpora from different application domains and varying in size, dimensionality and possible system responses. Our results have allowed us to identify several aspects that can have an impact on accuracy, including the approaches used for feature extraction, input representation, context consideration and the hyper-parameters of the deep neural networks employed.
Název v anglickém jazyce
An Empirical Assessment of Deep Learning Approaches to Task-Oriented Dialog Management
Popis výsledku anglicky
Deep learning is providing very positive results in areas related to conversational interfaces, such as speech recognition, but its potential benefit for dialog management has still not been fully studied. In this paper, we perform an assessment of different configurations for deep-learned dialog management with three dialog corpora from different application domains and varying in size, dimensionality and possible system responses. Our results have allowed us to identify several aspects that can have an impact on accuracy, including the approaches used for feature extraction, input representation, context consideration and the hyper-parameters of the deep neural networks employed.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2021
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Neurocomputing
ISSN
0925-2312
e-ISSN
—
Svazek periodika
439
Číslo periodika v rámci svazku
7
Stát vydavatele periodika
NL - Nizozemsko
Počet stran výsledku
13
Strana od-do
327-339
Kód UT WoS článku
000642585600011
EID výsledku v databázi Scopus
2-s2.0-85101537442