MARC

 008250123s2024        us                              c    eng  d
■001000017164094
■00520250211152831
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384296232
■035    ▼a(MiAaPQ)AAI31560535
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aQian,  Kun.
■24510▼aConstructing  Task-Oriented  Dialogue  Systems  with  Limited  Resources
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a190  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  A.
■500    ▼aAdvisor:  Yu,  Zhou.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aTask-oriented  dialogue  systems  have  increasingly  become  integral  to  our  daily  lives.  However,  collecting  dialogue  data  is  notably  expensive  due  to  the  necessity  of  human  interaction.  These  systems  are  used  in  various  applications,  such  as  customer  service  chatbots,  virtual  assistants,  and  automated  scheduling  tools.  Given  the  critical  role  of  these  systems,  it  is  essential  to  develop  methods  that  can  leverage  limited  resources  efficiently,  especially  in  data-driven  models  like  neural  networks,  which  have  demonstrated  superior  performance  and  widespread  adoption.  This  dissertation  proposes  systematic  approaches  to  address  the  limited-data  problem  in  both  modeling  and  data  aspects,  aiming  to  enhance  the  effectiveness  and  efficiency  of  task-oriented  dialogue  systems  even  when  data  is  scarce.This  dissertation  is  divided  into  three  main  parts.  The  first  part  introduces  three  modeling  techniques  to  tackle  limited-data  challenges.  As  the  base  dialogue  model  evolves  from  traditional  recurrent  neural  networks  to  advanced  large  language  models,  we  explore  meta-learning  methods,  meta-in-context  learning,  and  pre-training  sequentially.  Besides  modeling  considerations,  the  second  part  of  our  discussion  emphasizes  evaluation  benchmarks.  We  start  by  discussing  our  work  on  correcting  MultiWOZ,  one  of  the  most  popular  task-oriented  dialogue  datasets,  which  enhances  training  and  provides  more  accurate  evaluations.  We  also  investigate  biases  within  this  dataset  and  propose  methods  to  mitigate  them.  Additionally,  we  aim  to  improve  the  dataset  by  extending  it  to  a  multilingual  dataset,  facilitating  the  development  of  task-oriented  dialogue  systems  for  a  global  audience.  The  last  part  examines  how  to  adapt  our  methods  to  real-world  applications.  We  address  the  issue  of  database-search-result  ambiguity  in  Meta's  virtual  assistants  by  constructing  disambiguation  dialogue  turns  in  the  training  data.  Furthermore,  we  aim  to  enhance  Walmart's  shopping  companion  by  synthesizing  high-quality  knowledge-based  question-answer  pairs  and  constructing  dialogue  data  from  the  bottom  up.Throughout  this  dissertation,  the  consistent  focus  is  on  developing  effective  approaches  to  building  task-oriented  dialogue  systems  with  limited  resources.  Our  strategies  include  leveraging  limited  data  more  efficiently,  utilizing  data  from  other  domains,  improving  data  quality,  and  distilling  knowledge  from  pre-trained  models.  We  hope  our  approach  will  contribute  to  the  field  of  dialogue  systems  and  natural  language  processing,  particularly  in  building  applications  involving  real-world  limited  data  and  minimizing  the  need  for  manual  data  construction  efforts.  By  addressing  these  challenges,  this  dissertation  aims  to  lay  the  groundwork  for  creating  more  robust,  efficient,  and  scalable  task-oriented  dialogue  systems  that  better  serve  diverse  user  needs  across  various  industrial  applications.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  science
■650  4▼aInformation  science
■653    ▼aFew-shot  learning
■653    ▼aLarge  language  model
■653    ▼aMeta  learning
■653    ▼aNatural  language  processing
■653    ▼aTask-oriented  dialogue
■690    ▼a0984
■690    ▼a0800
■690    ▼a0723
■71020▼aColumbia  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g86-03A.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164094▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서