Guider l'attention dans les modeles de sequence a sequence pour la prediction des actes de dialogue.

La prediction d’actes de dialogue (AD) bases sur le dialogue conversationnel est un element cle dans le developpement des agents conversationnels. La prediction precise des AD necessite une modelisation precise a la fois de la conversation et des dependances globales des AD. Nous utilisons les approches de sequence a sequence (seq2seq) largement adoptees dans la traduction automatique neurale (NMT) pour ameliorer la modelisation de la sequentialite des AD. Les modeles seq2seq sont connus pour apprendre les dependances globales complexes alors que les approches actuellement proposees utilisant des champs aleatoires conditionnels lineaires (CRF) ne modelisent que les dependances locales des AD. Dans ce travail, nous introduisons un modele seq2seq adapte a la classification AD en utilisant : un codeur hierarchique, un nouveau mecanisme attention guidee et la recherche de faisceau appliquee a la fois a l’apprentissage et a l’inference. Par rapport a l’etat de l’art, notre modele ne necessite pas de caracteristiques artisanales et est forme de bout en bout. En outre, l’approche proposee obtient un score de precision inegale de 85% pour la SwDA et un score de precision de pointe de 91,6% pour la MRDA.