Downloaded 36 times
![1. はじめに
対話データ処理への関心
● SIGDIAL2015, Special Session, Multiing 2015
○ オンラインフォーラム、コールセンターの要約
● ACL2016, 3rd Workshp on Argument Mining
○ 議論データに関するWorkshop
○ 要約に関して2件の発表 [1, 2]
● COLING2016, Invited talk4
○ A Look at Computational Argumentation and Summarisation from a Text-Understanding Perspective
[1] Barker et al., "Summarizing Multi-Party Argumentative Conversations in Reader Comment on News", in Proc of 3rd Workshop on Argument Mining, 2016.
[2] Egan et al., Summarizng the points made in online politial deates", in Proc of 3rd Workshop on Argument Mining, 2016.](https://image.slidesharecdn.com/random-170324043608/85/slide-5-320.jpg)
![2. 要約の代表的な手法
● 対話要約手法
○ 大部分の研究は非対話要約の手法を利用 [3]
→ 2章では、テキスト要約の代表的な手法を説明
● テキスト要約に関する分かりやすいスライド
○ 西川先生のスライド [4]
○ yamao357様のスライド [5]
[3] Nenkova et al., "Automatic Summarization", Foundations and Trends in Information Retrieval, Vol 5, No 2-3, pp. 103-233, 2011.
[4] http://www.slideshare.net/hitoshin/automatic-summarization
[5] https://rpubs.com/yamano357/27317](https://image.slidesharecdn.com/random-170324043608/85/slide-7-320.jpg)
![2. 要約の代表的な手法
要約の大分類 [4]
1. 要約の使い方
○ 指示的 / 報知的
1. 必要な情報の指定
○ クエリ依存 / クエリ非依存
1. 入力文書の数
○ 単一 / 複数
1. 要約を作る方法
○ 抽出型要約 / 生成型要約
● 指示的: 原文書を読むべきか判断する
ための要約
e.g. 新聞の見出し、スニペット
● 報知的: 原文書の代わりとする要約
e.g. ニュース番組の字幕](https://image.slidesharecdn.com/random-170324043608/85/slide-8-320.jpg)
![2. 要約の代表的な手法
網羅性を向上
● 最大被覆問題に落とし込む [6]
○ 同じ内容が繰り返し述べられても
スコアを増加させない
○ 上記の条件を満たすように目的関数、制約条件を設定
[6] 高村ら, "最大被覆問題とその変種による文書要約モデル", 人工知能学会論文誌, 2008.](https://image.slidesharecdn.com/random-170324043608/85/slide-14-320.jpg)
![2. 要約の代表的な手法
文短縮
● 文抽出と文短縮の同時モデル [7]
○ 各単語毎にスコアリング
○ 係り受け関係を保持したまま要約を作成
○ 係り受け関係は制約条件として記述
[7] 富田ら, "重要文抽出と文圧縮を組み合わせた新たな抽出的要約手法", 情報処理学会研究報告, 2009.](https://image.slidesharecdn.com/random-170324043608/85/slide-15-320.jpg)
![2. 要約の代表的な手法
談話構造の考慮
● 入れ子依存木の刈り込みによる要約生成 [8]
○ 係り受け関係、談話関係を保持したまま要約を作成
○ 一貫性を保ちつつ、要約長に柔軟な要約が生成可能
○ 制約条件として上記を記述
[8] 菊池ら, "入れ子依存木の刈り込みによる単一文書要約", 自然言語処理, 2015.](https://image.slidesharecdn.com/random-170324043608/85/slide-16-320.jpg)
![2. 要約の代表的な手法
ILPとして定式化している論文 [9-13]
[9] Automatic Summarization of Student Course Feedback, NAACL-HLT 2016.
[10]Generating Coherent Summaries of Scientific Articles Using Coherence Patterns,
EMNLP 2016.
[11] Exploring Text Links for Coherent Multi-Document Summarization, COLING
2016.
[12] Optimizing an Approximation of ROUGE – a Problem-Reduction Approach to
Extractive Multi-Document Summarization, ACL 2016.
[13] Learning-Based Single-Document Summarization with Compression and
Anaphoricity Constraints, ACL 2016.](https://image.slidesharecdn.com/random-170324043608/85/slide-17-320.jpg)
![2. 要約の代表的な手法
ILP以外の要約手法 1
● PageRankアルゴリズムの利用 [14]
○ 各文をノードとして表現
○ 各文の類似度をエッジの重みとして表現
○ HITSアルゴリズムにより各文の重要度を計算
[14] Erkan et al., "LexRank: Graph-based Lexical Centrality as Salience in Text Summarization", Journal of Artificial Intelligence Research, 2004.](https://image.slidesharecdn.com/random-170324043608/85/slide-18-320.jpg)
![2. 要約の代表的な手法
ILP以外の要約手法 2
● MMR (Maximal Marginal Relevance) [15]
○ スコアの高い文から順番に選択
○ 1文選ばれる毎に各文のスコアを更新
○ 既に選ばれている文と似ている文のスコアを小さく
→ 網羅性が向上
[15] Goldstein et al., "Multi-document Summarization by Sentence Extraction", in Proc of the 2000 NAALP-ANLP Workshop on Automatic Summarization , 2000.](https://image.slidesharecdn.com/random-170324043608/85/slide-19-320.jpg)
![2. 要約の代表的な手法
抽出型要約研究の焦点
● 網羅性
○ 原文書の重要な内容を網羅すること
● 一貫性
○ 原文書の談話構造 (論理構造) を保持すること
○ 文と文の大域的な関係を考慮
● トレンドは "網羅性" → "一貫性"
※網羅性に着目した研究もまだまだ現役 [16]
[16] Ren et al., "A Redundancy-Aware Sentence Regression Framework for Extractive Summarization", COLING, 2016.](https://image.slidesharecdn.com/random-170324043608/85/slide-21-320.jpg)
![3. 対話要約特有の問題
対話要約における3つの問題 [17]
1. 自動音声認識 (ASR) 誤りの問題
○ 音声認識のエラー
1. Disfluencyの問題
○ Filled Pauses (遊び言葉: uh, um, well ...)
○ Repetisions (繰り返し)
1. 抽出単位の問題
○ 質問と回答の一貫性
[17] Nenkova et al., "Automatic Summarization", Foundations and Trends in Information Retrieval, Vol 5, No 2-3, pp. 103-233, 2011.](https://image.slidesharecdn.com/random-170324043608/85/slide-23-320.jpg)
![3. 対話要約特有の問題
1. 自動音声認識 (ASR) 誤りの問題
○ 10% - 40%程度の音声認識誤り [18]
○ AMI Meeting Corpus [19] の例
■ 人手書き起こし
"You look quite funny at the moment, Tim."
■ ASRの結果
"Great can implement that I"
[18] Glass et al., "Recent progress in the MIT spoken lecture processing project", in Proceedings of the Annual Conference of the International Speech Communication
Association, pp. 2553–2556, 2007.
[19] http://groups.inf.ed.ac.uk/ami/corpus/](https://image.slidesharecdn.com/random-170324043608/85/slide-24-320.jpg)
![3. 対話要約特有の問題
2. Disfluencyの問題 (Filled Pauses and Repetitions)
○ Filled Pauses: uh, um, well ... などの遊び言葉
○ Repetitions: 同じ言葉が繰り返される
○ 全体の15 - 25%程度存在する [20]
○ 具体例
A: well I um I think we should discuss this you know with
her.
A’: I think we should discuss this with her.
[20] Zechner et al., "Summarization of spoken language - challenges, methods, and prospects,” Speech Technology Expert eZine, 2002.](https://image.slidesharecdn.com/random-170324043608/85/slide-25-320.jpg)
![3. 対話要約特有の問題
2. Disfluencyの問題 (Filled Pauses and Repetitions)
○ Disfluencyの削除だけで1つの研究分野 [21-23]
○ 特徴量の1つとして利用 [24]
■ Disfluencyが存在する文は重要であるという仮説
■ ROUGE値の向上は1%未満
[21] Johnson et al., “A TAG-based noisy-channel model of speech repairs,” ACL, 2004.
[22] Miller et al., “A syntactic time-series model for parsing fluent and disfluent speech,” in Proceedings of the International Conference on Computational Linguistic,
pp. 569–576, 2008.
[23] Stolcke et al., “Statistical language modeling for speech disfluencies,” in Proceedings of the IEEE International Conference on Acoustics, Speech and Signal
Processing, pp. 405–408, 1996.
[24] Zhu et al., “Summarization of spontaneous conversations,” in Proceedings of the Annual Conference of the International Speech Communication Association,
pp. 1531–1534, 2006.](https://image.slidesharecdn.com/random-170324043608/85/slide-26-320.jpg)
![3. 対話要約特有の問題
3. 抽出単位の問題 (質問と回答の一貫性)
○ ヒューリスティックルールで同定 [25]
■ 初めてこの問題について言及した論文
■ F1-scoreは0.5程度
○ 対話の談話解析 [26]
■ 対話ドメインにおける談話解析手法を提案
■ F1-scoreは0.5程度
[25] Zechner et al., “Increasing the coherence of spoken dialogue summaries by cross-speaker information linking,” NAACL Workshop on Automatic Summarization,
2001.
[26] Afantenos et al., “Discourse parsing for multi-party chat dialogues," EMNLP, 2015.](https://image.slidesharecdn.com/random-170324043608/85/slide-28-320.jpg)
![4. 評価方法
データセット
● AMI Meeting Corpus [19]
○ 会議のデータ
○ 人手の書き起こしや要約
○ Dialogue Act, Topic Segment などのアノテーション
○ 無料](https://image.slidesharecdn.com/random-170324043608/85/slide-29-320.jpg)
![4. 評価方法
データセット
● ICSI Meeting Corpus [27]
○ 会議のデータ
○ 人手の要約
○ 全75文書
○ 有料
[27] https://catalog.ldc.upenn.edu/LDC2004T04](https://image.slidesharecdn.com/random-170324043608/85/slide-30-320.jpg)
対話テキストの自動要約
- 1.
- 2. 自己紹介 ● 山本 眞大 ●慶應 D2 (2015年9月入学) ● 2016年8月〜9月: 株式会社Preferred Infrastructureで インターンシップ (コールセンター対話の自動要約)
- 3. 目次 1. はじめに 2. 要約の代表的な手法 3.対話要約特有の問題 4. 評価方法 5. 対話要約の実際 6. おわりに 対話の自動要約に 関するサーベイ
- 4. 1. はじめに 今日の話 ● 対話テキストの自動要約に関するサーベイ ○要約の代表的な手法 ○ 対話要約特有の問題 ○ 評価方法 ● 対話要約の実際 ● 深層学習系の話はしません
- 5. 1. はじめに 対話データ処理への関心 ● SIGDIAL2015,Special Session, Multiing 2015 ○ オンラインフォーラム、コールセンターの要約 ● ACL2016, 3rd Workshp on Argument Mining ○ 議論データに関するWorkshop ○ 要約に関して2件の発表 [1, 2] ● COLING2016, Invited talk4 ○ A Look at Computational Argumentation and Summarisation from a Text-Understanding Perspective [1] Barker et al., "Summarizing Multi-Party Argumentative Conversations in Reader Comment on News", in Proc of 3rd Workshop on Argument Mining, 2016. [2] Egan et al., Summarizng the points made in online politial deates", in Proc of 3rd Workshop on Argument Mining, 2016.
- 6. 2. 要約の代表的な手法 ● 対話要約(今回の対象) ○ 複数の話者による対話から成り立っている テキスト (音声) の要約 ○ 例：コールセンター、会議 ● 非対話要約 ○ 対話が存在しないテキストの要約 ○ 例：ニュース記事、文献
- 7. 2. 要約の代表的な手法 ● 対話要約手法 ○大部分の研究は非対話要約の手法を利用 [3] → 2章では、テキスト要約の代表的な手法を説明 ● テキスト要約に関する分かりやすいスライド ○ 西川先生のスライド [4] ○ yamao357様のスライド [5] [3] Nenkova et al., "Automatic Summarization", Foundations and Trends in Information Retrieval, Vol 5, No 2-3, pp. 103-233, 2011. [4] http://www.slideshare.net/hitoshin/automatic-summarization [5] https://rpubs.com/yamano357/27317
- 8. 2. 要約の代表的な手法 要約の大分類 [4] 1.要約の使い方 ○ 指示的 / 報知的 1. 必要な情報の指定 ○ クエリ依存 / クエリ非依存 1. 入力文書の数 ○ 単一 / 複数 1. 要約を作る方法 ○ 抽出型要約 / 生成型要約 ● 指示的: 原文書を読むべきか判断する ための要約 e.g. 新聞の見出し、スニペット ● 報知的: 原文書の代わりとする要約 e.g. ニュース番組の字幕
- 9. 2. 要約の代表的な手法 今回の話 1. 要約の使い方 ○指示的 / 報知的 1. 必要な情報の指定 ○ クエリ依存 / クエリ非依存 1. 入力文書の数 ○ 単一 / 複数 1. 要約を作る方法 ○ 抽出型要約 / 生成型要約
- 10. 2. 要約の代表的な手法 入出力 ● 入力：原文書、要約文字数 ●出力：要約された文書
- 11. 2. 要約の代表的な手法 要約手法 ● 様々な手法が存在 ●整数計画問題 (ILP) として定式化する手法を説明 ○ 線形計画問題：目的関数と制約条件が1次式で 表される最適化問題 ○ 整数計画問題：線形計画問題において解が整数と なるような問題
- 12. 2. 要約の代表的な手法 整数計画問題の例: ナップザック問題 ●価値を最大化したい ● 制約: リュックの容量 ● どのように選べば良いか？ ● 整数計画問題として解ける 出典: ナップザック問題 Wikipedia
- 13. 2. 要約の代表的な手法 ナップザック問題に落とし込む ● 物の価値= 文のスコア ● 物の重さ = 文の長さ ● リュックの容量 = 要約文字数 文のスコアはどうする？ → 文中の各単語のTFIDF値の総和 など 出典: ナップザック問題 Wikipedia 文1 文5 文4 文3 文2
- 14. 2. 要約の代表的な手法 網羅性を向上 ● 最大被覆問題に落とし込む[6] ○ 同じ内容が繰り返し述べられても スコアを増加させない ○ 上記の条件を満たすように目的関数、制約条件を設定 [6] 高村ら, "最大被覆問題とその変種による文書要約モデル", 人工知能学会論文誌, 2008.
- 15. 2. 要約の代表的な手法 文短縮 ● 文抽出と文短縮の同時モデル[7] ○ 各単語毎にスコアリング ○ 係り受け関係を保持したまま要約を作成 ○ 係り受け関係は制約条件として記述 [7] 富田ら, "重要文抽出と文圧縮を組み合わせた新たな抽出的要約手法", 情報処理学会研究報告, 2009.
- 16. 2. 要約の代表的な手法 談話構造の考慮 ● 入れ子依存木の刈り込みによる要約生成[8] ○ 係り受け関係、談話関係を保持したまま要約を作成 ○ 一貫性を保ちつつ、要約長に柔軟な要約が生成可能 ○ 制約条件として上記を記述 [8] 菊池ら, "入れ子依存木の刈り込みによる単一文書要約", 自然言語処理, 2015.
- 17. 2. 要約の代表的な手法 ILPとして定式化している論文 [9-13] [9]Automatic Summarization of Student Course Feedback, NAACL-HLT 2016. [10]Generating Coherent Summaries of Scientific Articles Using Coherence Patterns, EMNLP 2016. [11] Exploring Text Links for Coherent Multi-Document Summarization, COLING 2016. [12] Optimizing an Approximation of ROUGE – a Problem-Reduction Approach to Extractive Multi-Document Summarization, ACL 2016. [13] Learning-Based Single-Document Summarization with Compression and Anaphoricity Constraints, ACL 2016.
- 18. 2. 要約の代表的な手法 ILP以外の要約手法 1 ●PageRankアルゴリズムの利用 [14] ○ 各文をノードとして表現 ○ 各文の類似度をエッジの重みとして表現 ○ HITSアルゴリズムにより各文の重要度を計算 [14] Erkan et al., "LexRank: Graph-based Lexical Centrality as Salience in Text Summarization", Journal of Artificial Intelligence Research, 2004.
- 19. 2. 要約の代表的な手法 ILP以外の要約手法 2 ●MMR (Maximal Marginal Relevance) [15] ○ スコアの高い文から順番に選択 ○ 1文選ばれる毎に各文のスコアを更新 ○ 既に選ばれている文と似ている文のスコアを小さく → 網羅性が向上 [15] Goldstein et al., "Multi-document Summarization by Sentence Extraction", in Proc of the 2000 NAALP-ANLP Workshop on Automatic Summarization , 2000.
- 20. 2. 要約の代表的な手法 ILP以外の要約手法 3 ●教師あり学習 ○ 前提: 各文に "要約に含まれる" or "含まれない" のラベル ○ うまく分類できるように学習 ○ 特徴量の選択方法 ■ 文の長さ、スコア、位置 ... etc ○ 分類器 ■ SVM、多層パーセプトロン ... etc
- 21. 2. 要約の代表的な手法 抽出型要約研究の焦点 ● 網羅性 ○原文書の重要な内容を網羅すること ● 一貫性 ○ 原文書の談話構造 (論理構造) を保持すること ○ 文と文の大域的な関係を考慮 ● トレンドは "網羅性" → "一貫性" ※網羅性に着目した研究もまだまだ現役 [16] [16] Ren et al., "A Redundancy-Aware Sentence Regression Framework for Extractive Summarization", COLING, 2016.
- 22. 3. 対話要約特有の問題 2章の技術を適用することで要約が可能 ● TFIDFを基にスコアリング+ ナップザック問題として解く ● HITSアルゴリズムによるスコアリング + ナップザック ● MMRを用いて要約生成 ● (学習データが充分にあれば) 教師あり学習として解く → 対話要約特有の問題は？
- 23. 3. 対話要約特有の問題 対話要約における3つの問題 [17] 1.自動音声認識 (ASR) 誤りの問題 ○ 音声認識のエラー 1. Disfluencyの問題 ○ Filled Pauses (遊び言葉: uh, um, well ...) ○ Repetisions (繰り返し) 1. 抽出単位の問題 ○ 質問と回答の一貫性 [17] Nenkova et al., "Automatic Summarization", Foundations and Trends in Information Retrieval, Vol 5, No 2-3, pp. 103-233, 2011.
- 24. 3. 対話要約特有の問題 1. 自動音声認識(ASR) 誤りの問題 ○ 10% - 40%程度の音声認識誤り [18] ○ AMI Meeting Corpus [19] の例 ■ 人手書き起こし "You look quite funny at the moment, Tim." ■ ASRの結果 "Great can implement that I" [18] Glass et al., "Recent progress in the MIT spoken lecture processing project", in Proceedings of the Annual Conference of the International Speech Communication Association, pp. 2553–2556, 2007. [19] http://groups.inf.ed.ac.uk/ami/corpus/
- 25. 3. 対話要約特有の問題 2. Disfluencyの問題(Filled Pauses and Repetitions) ○ Filled Pauses: uh, um, well ... などの遊び言葉 ○ Repetitions: 同じ言葉が繰り返される ○ 全体の15 - 25%程度存在する [20] ○ 具体例 A: well I um I think we should discuss this you know with her. A’: I think we should discuss this with her. [20] Zechner et al., "Summarization of spoken language - challenges, methods, and prospects,” Speech Technology Expert eZine, 2002.
- 26. 3. 対話要約特有の問題 2. Disfluencyの問題(Filled Pauses and Repetitions) ○ Disfluencyの削除だけで1つの研究分野 [21-23] ○ 特徴量の1つとして利用 [24] ■ Disfluencyが存在する文は重要であるという仮説 ■ ROUGE値の向上は1%未満 [21] Johnson et al., “A TAG-based noisy-channel model of speech repairs,” ACL, 2004. [22] Miller et al., “A syntactic time-series model for parsing fluent and disfluent speech,” in Proceedings of the International Conference on Computational Linguistic, pp. 569–576, 2008. [23] Stolcke et al., “Statistical language modeling for speech disfluencies,” in Proceedings of the IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 405–408, 1996. [24] Zhu et al., “Summarization of spontaneous conversations,” in Proceedings of the Annual Conference of the International Speech Communication Association, pp. 1531–1534, 2006.
- 27. 3. 対話要約特有の問題 3. 抽出単位の問題(質問と回答の一貫性) ○ 質問とそれに対する回答を一緒に抽出したい ○ もし一緒に抽出できないと ... ? A: どこに住んでいますか？ B: 東京です。 A: 出身はどこですか? B: 北海道です。 A: どこに住んでいますか？ B: 北海道です。 原文書 要約
- 28. 3. 対話要約特有の問題 3. 抽出単位の問題(質問と回答の一貫性) ○ ヒューリスティックルールで同定 [25] ■ 初めてこの問題について言及した論文 ■ F1-scoreは0.5程度 ○ 対話の談話解析 [26] ■ 対話ドメインにおける談話解析手法を提案 ■ F1-scoreは0.5程度 [25] Zechner et al., “Increasing the coherence of spoken dialogue summaries by cross-speaker information linking,” NAACL Workshop on Automatic Summarization, 2001. [26] Afantenos et al., “Discourse parsing for multi-party chat dialogues," EMNLP, 2015.
- 29. 4. 評価方法 データセット ● AMIMeeting Corpus [19] ○ 会議のデータ ○ 人手の書き起こしや要約 ○ Dialogue Act, Topic Segment などのアノテーション ○ 無料
- 30. 4. 評価方法 データセット ● ICSIMeeting Corpus [27] ○ 会議のデータ ○ 人手の要約 ○ 全75文書 ○ 有料 [27] https://catalog.ldc.upenn.edu/LDC2004T04
- 31. 4. 評価方法 評価指標 ● 対話・非対話問わず同様の評価指標が用いられる ●頻繁に用いられるものは以下の2つ ○ ROUGE ■ システム出力と人間が生成した要約の類似度 ■ 単語N-gramの一致率が高いほど大きなスコア ○ 主観評価 ■ システム出力を人間に見せて5段階などで評価
- 32. 5. 対話要約の実際 ● 対話要約を実際にやってみて思ったことを述べます。 ●人手により書き起こされたデータの要約です。 音声認識関連についてはよく分かりません。 ● 個人的な考えが多分に含まれます。
- 33. 5. 対話要約の実際 ● 2章の技術でどれくらいできる？ ○結構できる ○ パッと見て何を述べているのか何となく分かる程度
- 34. 5. 対話要約の実際 ● TFIDFを計算するための文書 ○かなり結果が変わる ○ 同じドメインの文書 >>>> 別ドメインの文書 ○ 量的には100文書程度あれば何とかなる (当然、多ければ多い方が良い)
- 35. 5. 対話要約の実際 ● 文抽出(文単位の抽出) vs 文短縮 (単語単位の抽出) ○ ROUGE: 文抽出 <= 文短縮 ○ 文短縮すると意味の分からない文が 生成されることがある → システムの信頼性を下げる要因になり得る → 実用的には文抽出
- 36. 5. 対話要約の実際 ● 抽出単位(質問と回答のペアを同時に要約に含める)の問題 は解決可能？ ○ 技術的には難しそう ○ 文と文の関係の判定はタスクとして難しい ● 技術での解決を諦める
- 37. 5. 対話要約の実際 ● 抽出単位(質問と回答のペアを同時に要約に含める)の問題 ○ インターフェースで解決 A: どこに住んでいますか？ B: 東京です。 A: 出身はどこですか? B: 北海道です。 原文書 要約 Before A: どこに住んでいますか？ B: 北海道です。
- 38. 5. 対話要約の実際 ● 抽出単位(質問と回答のペアを同時に要約に含める)の問題 ○ インターフェースで解決 A: どこに住んでいますか？ B: 東京です。 A: 出身はどこですか? B: 北海道です。 原文書 要約 A: どこに住んでいますか？ B: 東京です。 A: 出身はどこですか? B: 北海道です。 After
- 39. 5. 対話要約の実際 ● 2章で説明した技術で要約生成可能 ●対話要約における3つの問題も解決 ○ 音声認識の問題 → 書き起こし ○ Disfluencyの問題 → 書き起こし ○ 抽出単位の問題 → インターフェース → インターンで何をやったのか？
- 40. 5. 対話要約の実際 ● インターンで何をやったのか ○"call reason"が述べられている発話を取りやすくした ○ call reason: 顧客が電話をかけてきた理由 → 要約に含めるべき重要な内容 ○ 既存のスコアリング方法では抽出しづらい e.g. TFIDF値の合計を文のスコアとした場合 → "call reason発話"が top-1 になったのは 21文書中5文書のみ
- 41. 5. 対話要約の実際 ● インターンで何をやったのか ○対話データの分析から得られた知見 ■ call reason発話には新情報が含まれ易い 新情報: その対話中で初出の単語 e.g. 「エアコンが故障したんですけれど...」 ■ call reason発話中の単語は後の文脈で出現し易い → これらの知見に基づきスコアリング
- 42. 5. 対話要約の実際 ● インターンで何をやったのか ○結果 ■ 21文書中、17文書でcall reason発話が top-1 に → 従来のスコアリングに比べ、call reason発話が 要約に含まれ易くなった
- 43. 6. おわりに ● 対話要約、非対話要約は多くの技術を共有 ●一方で対話要約特有の問題も存在 ○ 音声認識のエラー ○ Disfluencyの問題 ○ 抽出単位の問題 ● 技術で解決困難なことは技術以外で解決 ● "call reason発話"が要約に含まれ易くなるような手法を提案