Přejít k obsahu

Publikační činnost

Přehled publikační činnosti je uveden ve výročních zprávách na úřední desce FAV.

Níže je k dispozici on-line výpis z databáze publikační činnosti v jednotlivých letech (Pozn. vzhledem k většímu počtu publikačních výsledků může trvat zobrazení výpisu déle).



Unsupervised Dialogue Act Induction using Gaussian Mixtures

Citace:
BRYCHCÍN, T., KRÁL, P. Unsupervised Dialogue Act Induction using Gaussian Mixtures. In 15th Conference of the European Chapter of the Association for Computational Linguistics (EACL2017). Stroudsburg: Association for Computational Linguistics, 2017. s. 485-490. ISBN: 978-1-945626-35-7
Druh: STAŤ VE SBORNÍKU
Jazyk publikace: eng
Anglický název: Unsupervised Dialogue Act Induction using Gaussian Mixtures
Rok vydání: 2017
Místo konání: Stroudsburg
Název zdroje: Association for Computational Linguistics
Autoři: Ing. Tomáš Brychcín Ph.D. , Doc. Ing. Pavel Král Ph.D. ,
Abstrakt CZ: Tento článek představuje nový přístup pro indukci dialogových aktů bez supervize. Máme-li sekvenci dialogových promluv, úkol je jim přiřadit značky, které reprezentují jejich funkci v dialogu. Význam promluvy je representován jako vektor reálných čísel. Dialog modelujeme pomocí Skrytých Markovových modelů s emisními pravděpodobnostmi odhadnutými pomocí Gaussovských směsí. Používáme Gibbs sampling pro odvození posteriorního rozdělení. Výsledky prezentujeme na standardním Switchboard-DAMSL korpusu. Náš algoritmus dosahuje slibných výsledků v porovnání se silnými systémy se supervizí a současně překonává ostatní systémy bez supervize
Abstrakt EN: This paper introduces a new unsupervised approach for dialogue act induction. Given the sequence of dialogue utterances, the task is to assign them the labels representing their function in the dialogue. Utterances are represented as real-valued vectors encoding their meaning. We model the dialogue as Hidden Markov model with emission probabilities estimated by Gaussian mixtures. We use Gibbs sampling for posterior inference. We present the results on the standard Switchboard-DAMSL corpus. Our algorithm achieves promising results compared with strong supervised baselines and outperforms other unsupervised algorithms.
Klíčová slova

Zpět

Patička