Aug, 2019

对话状态跟踪：一种神经阅读理解方法

PDF
TL;DR本研究通过利用注意力机制为基础的神经网络，将对话状态跟踪任务转化为阅读理解问答，利用上下文意义理解对话中不同语境中槽位词语的指代，通过利用上下文单词嵌入的最新进展，并将方法与传统的联合状态跟踪方法相结合，得到了比当前最新技术提高 11.75% 的检测精度。
dialog state trackingmachine reading comprehensionattention-based neural networkcontextual word embeddingsjoint state tracking
发现论文，激发创造
  • 从机器阅读理解到对话状态跟踪：架起桥梁

    利用机器阅读理解（RC）方法在对话状态跟踪中，针对模型架构和数据集两个方面进行改进并应用到多种领域，实现了很好的跨领域通用性，并在少数据情形下（few-shot scenarios）表现出了更好的性能，即便在零状态跟踪数据下（zero-shot scenarios），也在 MultiWOZ 2.1 数据集中表现出很高的性能。

    Apr, 2020

  • 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

  • 基于 Slot 的自注意力对话状态跟踪

    本文介绍了一种基于自注意力机制的会话状态追踪器，可以自动学习语境中的预定义槽之间的相关性，实验结果表明，在两个多领域任务导向对话数据集（包括 MultiWOZ 2.0 和 MultiWOZ 2.1）上取得了最先进的性能

    Jan, 2021

  • MA-DST: 基于多注意力的可扩展对话状态跟踪

    本文提出了一种新的架构，利用多粒度的注意力机制来更稳健地编码对话历史和槽的语义，用于实现准确的跨域对话状态跟踪，并在 MultiWoZ 2.1 数据集上将联合目标准确率提高了 5%（绝对值），并在零 - shot 设置下比现有最先进技术提高至多 2%（绝对值）。

    Feb, 2020

  • 一种具备机器阅读理解和 Wide&Deep 分类的端到端对话状态追踪系统

    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

  • 对话状态跟踪的交互槽对比学习对话状态蒸馏网络

    本文提出一种 Dialogue State Distillation Network（DSDN）用于进行任务导向的对话系统中的 Dialogue State Tracking（DST），并且在 MultiWOZ 2.0 和 MultiWOZ 2.1 数据集上实验证明，该网络可以动态地利用先前的对话状态并避免引入误差传播，同时还可以有效地捕捉来自对话语境的插槽共同更新关系

    Feb, 2023

  • 一种具有信念跟踪的端到端可训练神经网络任务导向对话模型

    本文提出了一种新颖的端到端可训练的神经网络模型，用于处理任务导向的对话系统，该模型将对话状态、API 调用和结构化的知识库查询结果相结合，以成功完成任务导向的对话，并且能够以联合学习为基础，更好地处理对话历史，生成结构良好的系统响应。在餐厅搜索领域的实验结果表明，相比先前的端到端可训练的神经网络模型，我们提出的模型在适当的系统响应生成方面表现更为卓越。

    Aug, 2017

  • 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

  • 预测对话状态和对话内容的多级融合对话状态跟踪

    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