ReALM: Referentie-oplossing als Taalmodelering

Samenvatting

Referentie-resolutie is een belangrijk probleem, essentieel om context van verschillende soorten te begrijpen en succesvol te hanteren. Deze context omvat zowel eerdere dialoogwisselingen als context die betrekking heeft op niet-conversationele entiteiten, zoals entiteiten op het scherm van de gebruiker of die op de achtergrond actief zijn. Hoewel is aangetoond dat LLM's (Large Language Models) uiterst krachtig zijn voor een verscheidenheid aan taken, blijft hun gebruik bij referentie-resolutie, met name voor niet-conversationele entiteiten, onderbenut. Dit artikel laat zien hoe LLM's kunnen worden gebruikt om een uiterst effectief systeem te creëren voor het oplossen van verwijzingen van verschillende typen, door te demonstreren hoe referentie-resolutie kan worden omgezet in een taalmodelleringsprobleem, ondanks het feit dat het vormen van entiteiten zoals die op het scherm traditioneel niet geschikt zijn om te worden gereduceerd tot een tekstuele modaliteit. We tonen grote verbeteringen aan ten opzichte van een bestaand systeem met vergelijkbare functionaliteit voor verschillende soorten verwijzingen, waarbij ons kleinste model absolute winsten van meer dan 5% behaalt voor verwijzingen op het scherm. We vergelijken ook met GPT-3.5 en GPT-4, waarbij ons kleinste model prestaties bereikt die vergelijkbaar zijn met die van GPT-4, en onze grotere modellen deze aanzienlijk overtreffen.

English

Reference resolution is an important problem, one that is essential to understand and successfully handle context of different kinds. This context includes both previous turns and context that pertains to non-conversational entities, such as entities on the user's screen or those running in the background. While LLMs have been shown to be extremely powerful for a variety of tasks, their use in reference resolution, particularly for non-conversational entities, remains underutilized. This paper demonstrates how LLMs can be used to create an extremely effective system to resolve references of various types, by showing how reference resolution can be converted into a language modeling problem, despite involving forms of entities like those on screen that are not traditionally conducive to being reduced to a text-only modality. We demonstrate large improvements over an existing system with similar functionality across different types of references, with our smallest model obtaining absolute gains of over 5% for on-screen references. We also benchmark against GPT-3.5 and GPT-4, with our smallest model achieving performance comparable to that of GPT-4, and our larger models substantially outperforming it.

ReALM: Referentie-oplossing als Taalmodelering

ReALM: Reference Resolution As Language Modeling

Samenvatting

Support