Ein Dual-Aufmerksamkeits-Hierarchischer Rekurrenter Neuronalen Netzwerk für die Klassifizierung von Dialogakten

Die Erkennung von Dialogakten (DA) ist für viele Aufgaben der natürlichen Sprachverarbeitung wie die Generierung von Dialogen und die Erkennung von Absichten von großer Bedeutung. In dieser Arbeit schlagen wir ein duales, hierarchisches rekurrentes Neuronales Netzwerk für die Klassifizierung von DAs vor. Unser Modell basiert teilweise auf der Beobachtung, dass konversationelle Äußerungen in der Regel sowohl einem DA als auch einem Thema zugeordnet werden können, wobei das erstere die soziale Handlung und das letztere den Themenbereich beschreibt. Diese Abhängigkeit zwischen DAs und Themen wird jedoch von den meisten bestehenden Systemen zur Klassifizierung von DAs nicht genutzt. Durch einen neuartigen doppelten aufgabenspezifischen Aufmerksamheitsmechanismus ist unser Modell in der Lage, sowohl Informationen zu DAs und Themen als auch Informationen über ihre Wechselwirkungen in Äußerungen zu erfassen. Experimentelle Ergebnisse zeigen, dass durch das Modellieren des Themas als Nebenaufgabe unser Modell die Klassifizierung von DAs erheblich verbessern kann und dabei eine bessere oder vergleichbare Leistung wie die Standesmethode auf drei öffentlichen Datensätzen erzielt.