EMNLPSep, 2020

一种概率型端到端任务导向对话模型及其潜在置信状态，用于半监督学习

PDF
TL;DR利用潜变量模型及半监督学习的方法实现对于对话系统中的结构化信念状态的分类，且在三份基准数据集上表现优秀，减少了对于标注数据的需求。
structured belief statesdialog systemssemi-supervised learningprobabilistic dialog modellatent variable modeling
发现论文，激发创造
  • 面向任务建模的对话状态跟踪的半监督引导

    本文研究了利用半监督学习方法在构建神经对话系统时可以减少中间标签的数量，发现可以利用未注释数据来显著减少对话状态的转换级别注释，同时在 MultiWOZ 语料库上进行了分析并提出了第一个端到端的对话模型。

    Nov, 2019

  • 神经对话生成中的半监督显式状态跟踪

    本文提出了一种基于神经网络的半监督显式对话状态跟踪器（SEDST），并利用 CopyFlowNet 表示一个显式的对话状态，并引入后验正则化策略进行间接监督。实验表明，我们的模型在任务导向和非任务导向的对话数据集上均取得了明显的优势。

    Aug, 2018

  • 离散潜变量模型的 JSA 学习提升半监督面向任务的对话系统

    本文提出了一种名为 JSA-TOD 的算法，将联合随机逼近应用到半监督学习的潜在状态任务导向对话模型中，结果表明该算法在 MultiWOZ2.1 数据集上的性能显著优于基于变分学习的半监督学习算法，并在使用 20% 标签的情况下接近于完全监督学习的基准。

    Jul, 2022

  • 嘈杂信道的力量：无监督端到端任务导向对话的 LLMs

    通过使用未标注的数据和模式定义，我们开发了一种新方法来构建一个完全无监督的面向任务的对话系统，该系统可以在迭代中通过期望最大化方法逐渐改进伪标签，并利用这些标签来训练一个端到端的对话代理，其在 MultiWOZ 基准测试上的成功率超过了强大的 GPT-3.5 基准的两倍。

    Apr, 2024

  • 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

  • 利用自监督来改善有限标注对话状态跟踪

    本文提出并研究了两种自我监督方法：保持潜在一致性和建模对话行为，以提高数据效率，实验结果显示这种方法将使联合目标的准确度提高了 8.95％。

    Oct, 2020

  • 使用神经潜在变量模型进行对话状态归纳

    本文提出了对话状态归纳任务，在未标记数据上使用两种神经潜在变量模型自动挖掘客户服务对话记录中的对话状态，并取得了有效的结果。此外，配备了归纳的对话状态后，一种最先进的对话系统表现出比不使用对话状态模块更好的性能。

    Aug, 2020

  • 面向任务型对话系统的基于提示的小样本学习方法在信念状态跟踪中的研究

    我们探讨了基于任务导向的对话系统的对话信念状态跟踪（DST）问题。通过以 Prompt 为基础进行少样本学习，我们证明了 Prompt-based 方法在 DST 的 Few-shot 学习中具有潜在的潜力，并提供了未来改进的方向。

    Apr, 2022

  • 面向任务导向对话系统的半监督知识驱动预训练

    本文介绍了我们的 Track 2 模型，利用大规模真实世界的 MobileCS 中国 TOD 数据集，使用半监督学习和强化学习构建知识引导的对话模型，实现了任务导向对话系统的高效预测和人机交互。我们的系统在自动评估和人工交互中表现都极佳，尤其是 BLEU (+7.64) 和 Success (+13.6%) 方面比第二名更优秀。

    Oct, 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