Sep, 2020

基于粗粒度到细粒度序列生成的会话状态跟踪方法

PDF
TL;DR本文提出了一种基于结构化状态表征的、称为 Coarse-to-fine Dialogue State Tracking (CREDIT) 的方法，它将对话状态跟踪作为序列生成问题，并在 MultiWOZ 数据集上获得了令人满意的实验结果。
dialogue state trackerstructured state representationcoarse-to-fine dialogue state trackinggenerative state trackingmultiwoz dataset
发现论文，激发创造
  • 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

  • 通过分层序列生成实现可扩展和准确的对话状态跟踪

    通过使用分层编解码结构直接生成信念状态序列的方法，我们提出了一种不需要预定义本体列表的对话状态跟踪方法，并在多域和单域对话状态跟踪数据集上进行了实验，取得了最先进的性能。

    Sep, 2019

  • 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

  • 对话状态跟踪：一种神经阅读理解方法

    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。

    Aug, 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

  • 面向目标对话系统的灵活可扩展状态追踪框架

    本研究提出一种新的 Goal-oriented dialogue systems 框架，其中的 dialogue state tracker 可适用于 multiple domains，且不需要特定领域的先验知识，预训练的词嵌入技术有助于提高性能。

    Nov, 2018

  • 有效的序列到序列对话状态跟踪

    研究了如何正确使用序列到序列模型进行对话状态跟踪，从预训练目标和上下文表示格式的角度探讨了此问题，并发现遮掩跨度预测比自回归语言建模更有效。同时使用基于跨度预测的 Pegasus 预训练目标进行状态跟踪模型的预训练，并发现似乎相距很远的摘要任务预训练能够意外地为对话状态跟踪发挥良好作用。此外，我们在 MultiWOZ 2.1-2.4，WOZ 2.0 和 DSTC2 数据集上进行了实验证明了以上结论。

    Aug, 2021

  • 对话状态跟踪的思维链解释

    对话状态跟踪（DST）是记录对话交互中用户查询和目标的任务，当前方法透明地决定槽值，而人类通常采用更为深思熟虑的方法，通过收集相关对话回合的信息，然后推理出适当的值。本文提出的 Chain-of-Thought-Explanation（CoTE）模型旨在确定槽值后，逐步创建详细的解释，从而提高槽值的准确性和可靠性。为了提高 CoTE 的推理能力，我们进一步使用自动改写构建了更流畅和高质量的解释，即 CoTE-refined 方法。在三个公认的 DST 基准（MultiWOZ 2.2、WoZ 2.0 和 M2M）上进行的实验证实了 CoTE 的显著有效性。此外，通过细致的细粒度分析，我们发现 CoTE 在长对话回合、用户回应和推理步骤有较为明显的益处。

    Mar, 2024

  • 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

  • 对话状态追踪：分类还是生成？

    本文提出了 Point-Or-Generate Dialogue State Tracker (POGD)，它从两个角度解决对话状态跟踪任务，并在所有插槽之间共享参数以实现知识共享和可扩展性，其子模块的训练过程被制定为一个多任务学习过程以进一步提高其普适性。实验表明，POGD 不仅在 WoZ 2.0 和 MultiWoZ 2.0 数据集上获得了最先进的结果，而且对未知值和新插槽具有良好的泛化性。

    Aug, 2020