大型本体的鲁棒对话状态跟踪
本文介绍了一种基于深度学习的可伸缩的多领域对话状态跟踪方法,通过引入一个新的状态跟踪框架,该框架独立于具体的槽值集合,并将对话状态表示为候选值集合的分布,此方法能够快速适应新领域,提高跨领域和可扩展性。
Dec, 2017
本文介绍了第 8 届对话系统技术挑战赛的 Schema-Guided 对话状态跟踪任务,其目标是开发适用于大型虚拟助手的对话状态跟踪模型,重点是跨域的数据高效联合建模和新 API 的零 - shot 推广。本任务提供了一个包含 16 个领域超过 16000 个对话的数据集,其中包括一个能够零 - shot 推广到新 API 的基线模型。本文介绍了任务定义、数据集和评估方法,并概述了提交系统的方法和结果,以突出现今最先进技术的总体趋势。
Feb, 2020
该研究针对对话系统中特定目标和本体的对话状态跟踪模型的可扩展性问题,提出了一种将对话行为融入到对话模型设计中,利用机器阅读理解预测跨域对话状态的方法,并在实验结果中表现出较高的准确度,为未来的面向任务的对话系统提供了对话状态设计的指导。
Aug, 2022
本文介绍了 DSTC 8 轨道 4:基于模式的对话状态跟踪的方法以及测试结果。我们提出了一种端到端的 DST 系统,该系统包括针对非分类插槽的 MRC 模型和对于分类插槽的 Wide & Deep 模型。通过实验,证明我们的方法在测试数据集中得到了优异的性能。
Dec, 2019
本文提出了一种基于 BERT 的零 - shot 自然语言理解模型,用于实现多领域会话状态跟踪,实验结果显示该模型较基线系统具有显著改进。
Jun, 2020
本论文提出了一种多层次融合对话状态跟踪(DST)网络,通过建模每个对话轮次的交互,实现从以往对话历史和当前对话上下文中抽取对话状态信息,进行预测和融合,加强对当前对话状态的跟踪和理解,实验结果表明该模型在 MultiWOZ 2.0 和 MultiWOZ 2.1 数据集上取得了当前领先的 55.03% 和 59.07% 联合灵敏度值。
Jul, 2021
通过使用分层编解码结构直接生成信念状态序列的方法,我们提出了一种不需要预定义本体列表的对话状态跟踪方法,并在多域和单域对话状态跟踪数据集上进行了实验,取得了最先进的性能。
Sep, 2019
本文提出了一种基于 BERT 模型的 GOaL-Oriented 多任务对话状态跟踪器(GOLOMB),该模型通过查询对话历史记录中的槽口和服务的描述以及可能的槽口值来传输多域对话中的槽口值,并具有扩展到未见过的槽口类型的能力。我们的模型在 SGD 数据集上取得了 53.97%的联合目标准确率,优于基线模型。
Feb, 2020
本文描述了我们在 DSTC11 中参与的具有极大成功的模型的工程努力,该模型由三个主要模块组成:(1) 自动语音识别误差校正,(2) 基于文本的对话系统用于估计插槽和值,(3) 后处理用于恢复估计的插槽值的错误。我们的实验证明了对于口语对话语料库,使用明确的自动语音识别误差校正模块、后处理和数据增强对于调整基于文本的对话状态跟踪器至关重要。
Aug, 2023
对话状态跟踪(DST)是记录对话交互中用户查询和目标的任务,当前方法透明地决定槽值,而人类通常采用更为深思熟虑的方法,通过收集相关对话回合的信息,然后推理出适当的值。本文提出的 Chain-of-Thought-Explanation(CoTE)模型旨在确定槽值后,逐步创建详细的解释,从而提高槽值的准确性和可靠性。为了提高 CoTE 的推理能力,我们进一步使用自动改写构建了更流畅和高质量的解释,即 CoTE-refined 方法。在三个公认的 DST 基准(MultiWOZ 2.2、WoZ 2.0 和 M2M)上进行的实验证实了 CoTE 的显著有效性。此外,通过细致的细粒度分析,我们发现 CoTE 在长对话回合、用户回应和推理步骤有较为明显的益处。
Mar, 2024