AAAIMay, 2020

MTSS：从多个领域教师中学习，成为多领域对话专家

PDF
TL;DR本文提出一种通过领域专家教师和一个通用学生模型共同编制一个多领域对话管理器的新方法，解决了多领域对话系统中复杂的对话状态空间和策略生成质量受限的问题。实验结果表明，该方法在多领域和单领域设置中的结果与现有技术水平竞争力相当。
multi-domain dialogue systempolicy acquisitiondialogue state representationdomain-specific teachersuniversal student model
发现论文，激发创造
  • 学生 - 教师架构在元学习环境下用于对话领域自适应

    提出了一种高效的领域自适应任务导向对话系统模型，通过使用元教师模型量化不同领域中上下文下生成的令牌的重要性来指导对话模型，实现更好的自适应效果并达到最先进的性能水平。

    Apr, 2021

  • 面向混合领域的任务导向对话

    研究了跨领域环境下的任务导向对话问题，并探讨了通过使用特定的状态监测组件和混合式系统来提高任务信念跟踪准确率的方法。

    Sep, 2019

  • XQA-DST：多域和多语言对话状态跟踪

    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

  • 不同领域专家合作，培养全才

    本文提出一种基于多领域音频模型的教师 - 学生训练框架，成功地构建了一个应用于多个领域的音频模型，通过对两种不同域名的语音风格实验验证效果，取得了比基线模型（多条件模型）更好的结果，相对字符错误率提高达到了 10.4%。

    Jul, 2019

  • 面向任务的对话系统可转移的多领域状态生成器

    本文提出了一种可转移的对话状态生成器 (TRADE)，其使用复制机制从话语中生成对话状态，实现了在推断过程中跨领域知识转移。通过零样本和小样本模拟跟踪未见领域，TRADE 实现了 60.58％的联合目标精确度，而不影响已经训练过的领域。

    May, 2019

  • 动态知识图谱增强的多领域对话状态跟踪与问答

    本文提出一种基于问题回答的多领域对话状态跟踪方法（DSTQA），并利用动态演化的知识图谱显式地学习（领域、槽）对之间的关系，相较于最新的模型在 MultiWOZ 2.0 和 2.1 数据集上有 5.80％和 12.21％的相对改进，且在领域适应设置中始终优于最先进的模型。

    Nov, 2019

  • 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

  • 使用神经专家混合模型的模块化任务导向对话系统

    采用神经模块化方法，提出一种多专家一体的对话生成器，利用 TokenMoE 模型实现训练，相较于单模块模型，具有更高的 inform 和 success rate

    Jul, 2019

  • 基于状态图的跨领域对话状态跟踪

    本文探讨了利用关系图与 relational-GCN 图卷积网络构建聊天机器人多域对话跟踪模型的方法，实验结果表明，该方法实现了新的最佳性能，优于使用现有方法提出的深度学习技术的性能。

    Oct, 2020

  • 元对话策略学习

    本研究利用 Deep Transferable Q-Network (DTQN) 和 Meta-DTQN 模型，以及基于特征子空间的交叉领域知识转移，提高了跨领域对话系统的性能，同时在 MultiWOZ 2.0 多领域对话数据集上取得了成功率和对话效率的双重胜利。

    Jun, 2020