multitask_disfluency_detection

Multitasking -Disfluency -Erkennung

Code für das Papier "Multi-Task-Lernen für Generaldomänen-Disfluency-Erkennung in Dialogsystemen" (Igor Shalyminov, Arash Eshghi und Oliver Lemon) [Semdial 2018 Papier] [Slides]

Modellarchitektur

Erste Schritte

1. Richten Sie die Umgebung ein (unten finden Sie Schritte für Conda):

$ cd code-directory
$ git submodule update --init
$ conda create -n multitask_disfluency python=2.7
$ conda activate multitask_disfluency
$ pip install -r requirements.txt

2. Vorbereitung des Switchboard -Datensatzes für das Training:

$ python make_deep_disfluency_dataset.py swbd disfluency

3. Trainieren Sie das Modell:

$ python train.py swbd model

Babi+ Disfluency Study Datenerzeugung

1. Holen Sie sich die BABI -Tools und installieren Sie die Anforderungen
2. Laden Sie Babi -Dialogaufgaben in den Ordner babi_tools herunter
3. Führen Sie sh make_generalization_study_datasets.sh <RESULT_FOLDER>
4. Führen Sie sh tag_dataset.sh <RESULT_FOLDER> <config_file_name> für jede Konfiguration in 2018_generalization_study_configs aus
5. Die resultierenden Datensätze sind <RESULT_FOLDER>/<BABI_DATASET_NAME>/*.tagged.json