A simple generative model of incremental reference resolution for situated dialogue

اشاره به اشیا بصری قابل تشخیص یک رخداد بسیار رایج در استفاده از زبان روزمره است. برای تولید عباراتی که اشاره می کنند، بلندگو باید بتواند خواص بصری را که شی اشاره شده را انتخاب می کند را انتخاب کند و کلمات را به نام آن خواص تعریف کند، به طوری که بیان می تواند توجه شنونده را به جسم مورد نظر هدایت کند. سخنران می تواند به شنونده با نگاه کردن به جهت جسم و ارائه یک ژست اشاره به آن نشان می دهد. برای رفع مرجع، شنونده کار سختی انجام می دهد: به طور همزمان از تمام اطلاعات زبانی و غیر زبان شناسی استفاده می کند؛ کلمات عبارت ارجاع که مشخصه خواص شی، مانند رنگ یا شکل آن هستند، باید قبلا شناخته شوند، و جهت نگرش غیر زبان شناختی و حرکت اشاره گر بلندگو باید شامل شود. مهمتر از آن، شنونده قبل از اینکه شروع به حل کند، صبر کند تا پایان عبارت ارجاع نشود. در عوض، او آن را به عنوان آن را آشکار است. یک مدل که عبارات ارجاع را حل می کند به عنوان شنونده باید بتواند تمام این موارد را انجام دهد. در این مقاله، ما یک مدل نسبی از وضوح مرجع ارائه می دهیم. ما مدل ما را توضیح می دهیم و به صورت تجربی از طریق یک سری آزمایش ها نشان می دهیم که مدل می تواند به صورت قدم به قدم (یعنی کلمه برای کلمه) به عنوان عبارات ارجاع بازتولید شود، می تواند اطلاعات چندجمله ای مانند چشم انداز و حرکات اشاره را به دو صورت ترکیب کند: کلمات در عبارت ارجاع می توانند اطلاعات متنی (یعنی اطلاعات) را در بر بگیرند و از ورودی پر سر و صدا مانند رونویسی های تشخیص خودکار گفتار و عدم اطمینان در نمایندگی اشیاء کاندید استفاده می کنند.