Learning From Personal Longitudinal Dialog Data
Learning From Personal Longitudinal Dialog Data
复制标题
DOI：
10.1109/mis.2019.2916965
复制
发表时间：
2019-07
影响因子：
6.4
通讯作者：
C. Welch;Verónica Pérez-Rosas;Jonathan K. Kummerfeld;Rada Mihalcea;E. Cambria
中科院分区：
文献类型：
--
作者：
C. Welch;Verónica Pérez-Rosas;Jonathan K. Kummerfeld;Rada Mihalcea;E. Cambria
我们探索了将纵向对话数据用于两个对话预测任务：下一条消息预测和响应时间预测。我们表明，使用个人数据的神经模型利用消息内容、风格匹配、时间特征和说话人属性的组合可以为这两个任务带来最佳结果，与完全依赖消息内容的分类器和不使用个人数据的分类器相比，错误率降低高达15%。
We explore the use of longitudinal dialog data for two dialog prediction tasks: next message prediction and response time prediction. We show that a neural model using personal data that leverages a combination of message content, style matching, time features, and speaker attributes leads to the best results for both tasks, with error rate reductions of up to 15% compared to a classifier that relies exclusively on message content and to a classifier that does not use personal data.