May, 2020

TripPy: 一种基于三元组复制策略的价值无关神经对话状态跟踪技术

PDF
TL;DR本文提出了一种新的对话状态追踪方法，利用复制机制填充值，并结合跨域共指消解方法来简化任务，同时在各种受欢迎的评估集上实现了超过 55% 的联合目标准确率。
dialog state trackingcopy mechanismsscalable solutionsslot fillingcoreference resolution
发现论文，激发创造
  • 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

  • 对话状态跟踪中的复制机制数据增强

    该研究旨在寻找影响基于复制机制的对话状态跟踪模型性能的因素。研究发现，数据增强可以提高它对未知值的性能，而且使用超参数可以在不同的性能和计算代价之间做出权衡。

    Feb, 2020

  • 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

  • 可扩展的多领域对话状态跟踪

    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

  • 使用弱监督和稀疏数据的稳健对话状态跟踪

    本文介绍了一个基于 attention mechanism 的迁移学习方法，适用于在训练过程中缺乏丰富人工标注数据的情况下训练 extractive DST 模型，通过两种新颖的输入级 dropout 方法来减轻样本稀疏性的负面影响。我们的实验表明，提出的模型训练策略和架构方法在应对新概念、样本稀疏性等挑战时表现出优越性。

    Feb, 2022

  • 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

  • 大型本体的鲁棒对话状态跟踪

    本研究使用字符串匹配、面向对话的共识消解和其他方法来跟踪对话状态，可正确标识很多在话语中未显式提到但存在的信息，并在 DSTC 4 比赛中表现优异。

    May, 2016

  • 一个具有自适应目标的上下文分层注意力网络，用于对话状态跟踪

    该研究提出了使用上下文分层关注网络（CHAN）以及自适应目标策略来加强对话状态追踪（DST）模型，解决了文本中存在的关于历史对话、不平衡的 slot 分配、模型上下文表示等问题，实现了具有很大提升的端到端追踪的性能。

    Jun, 2020

  • 通过选择性覆盖记忆实现高效对话状态跟踪

    该研究提出了一种基于固定大小记忆和有选择的覆盖机制的对话状态跟踪模型，其将 DST 分解为两个子任务，并引导解码器集中于其中一个任务，以提高 DST 性能。

    Nov, 2019

  • 通过继承提及插槽池中的插槽值来跟踪对话状态

    该研究设计了一个具有提及的插槽池（MSP）的模型来解决对话状态跟踪中的更新问题。MSP 是记录可能被继承的所有提及插槽值的插槽特定内存，我们的模型根据 MSP 和对话上下文更新插槽值。实验结果表明，该模型在 MultiWOZ 2.1 和 2.2 数据集上达到了最先进的对话状态跟踪性能。

    Feb, 2022