マルチターン対話における次発話予測での効果的な特徴量の統合手法およびその分析

摘要

現在，様々な複雑なニューラルネットによる対話モデルが提案されている．しかし，複雑なニューラルネットワークでは一般に再現が難しく，また，何が性能向上に寄与しているかわかりにくいという問題点がある．本稿では，この点を考慮して，従来から使われている複数の統計的特徴量とシンプルな複数のニューラルネットワークから得られる複数の特微量をアンサンブルする手法を提案する．本稿が提案する手法は大規模対話コーパスを用いた次発話予測タスクにおいて，まだ実施されていない国際会議の予稿集で提案されている複雑なニューラルネットワークによるモデルに次ぐ精度を達成した．本稿で用いる手法は，この複雑なモデルに比べ，実装が容易であり再現しやすい．また，対話モデリングにおいてどの特徴が有効かも検証しやすい．この検証を行った結果，特にGRUを用いたDual Encoderモデルの特徴量が最も性能に貢献し，次にTF-IDFの特徴量が性能に貢献することがわかった．