意味表現bigramによる次発話予測

本稿では対話におけるユーザの一連の意味表現の生起を，1重マルコフ過程と してモデル化し，予測モデルとした．このモデルを意味表現bigramと呼ぶ． すなわち，ある時刻$t$に意味表現$M_t$が出現する確率$P(M_t)$を，意味表 現bigramによる遷移確率 $P(M_t\vert M_{t-1})$によって予測する．

この意味表現bigramは前述の対話データから学習する．しかし，$M_t$ をなす $(ACT_t, ARG1_t, ARG2_t)$ の３つの情報の組み合わせ全てについて，遷移確 率を精度良くを求めるには対話データの量が不足している．そこで2種類の近 似モデルについて検討した．

予測モデルA:(1)式で表され，意味表現中の$ACT$のみについて着目して近似したモデルある．

$${P(M_t\vert M_{t-1})}$$

$$\simeq \frac{P(ACT_t\vert ACT_{t-1})}{ACT_t,ARG1_t,ARG2_tの組合せ数}$$ (1)

予測モデルB:(2)式で表され，$ARG1$,$ARG2$についての確率を対話データ全体での出現頻度で近似したモデルである．

$${P(M_t\vert M_{t-1}) \simeq P(ACT_t\vert ACT_{t-1})}$$

$$\times P(ARG1_t\vert ACT_t)P(ARG2_t\vert ACT_t)$$ (2)