面向混合领域的任务导向对话
本文介绍了把目标导向式对话任务(TOD)系统和非目标导向闲聊式对话系统(ODD)结合起来的难题,并基于流行的 TOD 数据集 MultiWOZ 构建一个包含两种对话模式交替的新数据集 FusedChat,提供一种更具挑战性的基准测试,以测试对话模型在处理交叉模式上的表现。该数据集具有丰富的依赖模式,包括共示和省略,并提供了分类和融合等基线模型。
Sep, 2021
提出了一种自动生成结合任务导向对话和开放领域对话的框架,同时介绍了一种适用于这一任务的统一模型 PivotBot,并通过评估结果证明,该模型能够在任务导向对话和开放领域对话之间无缝切换。
Dec, 2022
探索如何从社交对话到任务导向对话的平滑转换,为触发商业机会提供支持。提出了一个自动生成对话的框架,并在此基础上发布了一个大规模数据集,该数据集为未来的研究和商业活动提供了巨大的潜力。
Apr, 2022
本文提出了一个能够让我们通过时间添加新的领域和功能而不需要付出整个系统重新训练的任务导向对话系统的连续学习基准。我们在四个不同的设置下连续地学习了 37 个领域,包括意图识别、状态跟踪、自然语言生成和端到端。此外,我们实现并比较了多个已有的持续学习基线,并提出了一种简单而有效的基于残余适配器的结构方法。我们的实验证明,所提出的结构方法和简单的回放策略表现相当好,但是它们都比多任务学习基线表现差,后者将所有数据一次性展示出来,这表明对话系统的连续学习是一项具有挑战性的任务。此外,我们还揭示了在参数使用和内存大小方面不同连续学习方法之间的几个权衡,这对任务导向对话系统的设计非常重要。我们还发布了所提出的基准测试以及几个基线,以推动更多的研究方向。
Dec, 2020
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
本文探讨了任务导向对话系统的最新研究进展和挑战,特别在三个关键领域进行了深入讨论:提高数据效率、模拟多回合动态以优化任务完成性能,以及将领域本体知识与对话模型集成。此外,还评估了最近的对话进展和一些常用的语料库。我们相信,这虽然不是一个完整的调查,但它仍然可以为未来任务导向对话系统的研究提供启示。
Mar, 2020
本文提出了一种领域无关的抽取式问答方法用于对话状态跟踪,通过训练一个分类器来预测多个领域的出现情况,将复杂的领域信息进行分离并在活动领域提取跨域问题答案,在多个数据集上达成了优秀的零 - shot 转移模型表现。
Apr, 2022
使用大型语言模型(LLMs)的上下文学习能力与业务逻辑的确定执行相结合,描述了一种构建面向任务的对话系统的系统。与主要用于行业的基于意图的 NLU 方法相比较,我们的实验表明,使用我们的系统开发聊天机器人所需的工作量明显较少,这些聊天机器人可以成功地进行复杂对话,并且我们的系统对于大规模任务导向的对话系统具有可扩展的有益特性。我们提供了我们的实现用于使用和进一步研究。
Feb, 2024
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