ACLJul, 2019

面向通用和可扩展的信念跟踪的 Slot-Utterance 匹配

PDF
TL;DR本文提出了一种称为 slot-utterance matching belief tracker（SUMBT）的通用和可扩展的置信度跟踪方法，它通过基于上下文语义向量的注意力机制来学习域 - 插槽类型和出现在话语中的插槽值之间的关系，使用非参数化的方式预测插槽值标签。在 WOZ2.0 和 MultiWOZ 两个对话语料库上的实验中，与基于插槽的方法相比，所提出的模型表现出了性能提高，并获得了最先进的联合准确度。
发现论文，激发创造
  • 对话状态跟踪中的多轮对话和评估指标不匹配

    本文提出了一种相对槽位准确性评估方法来补充对话状态跟踪任务中当前评估指标的缺陷，并鼓励使用各种补充评估指标来进行真实的评估。

    Mar, 2022

  • 神经信念跟踪器：基于数据的对话状态跟踪

    提出了一种利用预训练词向量进行表示学习的神经信念追踪（Neural Belief Tracking，NBT）框架，用于估计对话中用户的目标，并可以在不使用手工制作语义词典的情况下达到与最先进的模型相同或更好的效果。

    Jun, 2016

  • 通用对话状态跟踪

    StateNet 是一种通用的对话状态跟踪器，它独立于值的数量，共享所有插槽的参数，并使用预训练的词向量而不是明确的语义字典来解决当前方法在大型对话域上难以扩展的挑战，并且在两个数据集上的实验显示，我们的方法不仅克服了这些限制，而且还显著优于最先进的方法的性能。

    Oct, 2018

  • 多领域对话状态跟踪中考虑行为的槽 - 值预测

    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

  • 大规模多领域信仰跟踪与知识共享

    本研究介绍了一种新颖的方法，该方法利用对话中的语义相似性和本体术语来跨领域地进行语音信仰跟踪，从而实现对多领域语音的处理，并在性能上优于现有的单领域跟踪任务的最先进模型。

    Jul, 2018

  • 多域对话状态跟踪中的槽值预测：寻找还是分类？

    提出了一种新的双策略对话状态跟踪（Dialog state tracking）方法，该方法采用单个类似 BERT 的阅读理解模型来同时处理分类和非分类插槽，实验证明该方法在两种不同的情境下表现出色，并在干扰性较高的数据集上创造了新的最优性能。

    Oct, 2019

  • 多轮口语对话中基于知识增强的 BERT 互联网络

    本文研究了基于 BERT 的联合模型，利用知识关注机制和筛选相关知识三元组的门控机制相互利用两个 SLU 任务的对话上下文和动态信息进行建模，实验结果表明相对于其他竞争基线，该方法在两个复杂的多轮对话数据集上取得了相当大的改进。

    Feb, 2022

  • BERT-DST: 基于双向变换器编码器表示的可扩展端到端对话状态跟踪

    本研究提出了 BERT-DST，一种基于 BERT 的端到端的对话状态跟踪器，它可以从对话上下文中直接提取槽值，并采用所有槽的编码参数共享的方法，实现了可扩展的对话状态跟踪。实证评估表明，BERT-DST 在可扩展的数据集 Sim-M 和 Sim-R 上优于之前的方法，在标准数据集 DSTC2 和 WOZ 2.0 上取得了具有竞争力的性能。

    Jul, 2019

  • 使用 BERT 的明确槽位 - 意图映射用于联合多意图检测和槽位填充

    本文提出了一个基于 BERT 的多意图自然语言理解框架 SLIM，可以共同学习多意图检测和插槽填充，并引入显式的槽 - 意图分类器以学习槽和意图之间的多对一映射，实验结果表明，相对于现有技术，SLIM 在多意图 NLU 方面具有优越性，并且可以获得来自槽 - 意图分类器的好处。

    Aug, 2021

  • 主动发现面向任务型对话的新插槽

    本文提出了一种新的信息提取框架，结合主动学习方法将非预定义领域槽发现纳入对话管理过程中，实现对话机器人任务中的自动领域学习，充分发挥数据和人类经验的作用。

    May, 2023