Ubuntu Dialogue Corpus: 構造化されていないマルチターン対話システム研究のための大規模データセット

本論文では、ほぼ100万のマルチターン対話を含むデータセットであるUbuntu Dialogue Corpusを紹介します。合計で700万以上の発話と1億語以上を含んでいます。これは、ラベル付けされていない大量のデータを利用できるニューラル言語モデルに基づいた対話管理者の構築に関する研究の独自のリソースを提供します。このデータセットは、Dialog State Tracking Challengeデータセットにおける会話のマルチターン特性と、Twitterなどのマイクロブログサービスからの非構造的なインタラクションを持っています。また、このデータセットを分析するのに適した2つのニューラル学習アーキテクチャについても説明し、最適な次の応答を選択するタスクにおけるベンチマークパフォーマンスを提供します。