Oct, 2020

STAR：用于迁移学习的基于模式的对话数据集

PDF
TL;DR我们提出了 STAR，这是一个包含 127,833 个话语和基于知识库的查询，涵盖 13 个领域，共 5820 个任务型对话的模式引导数据集，旨在促进任务和领域的迁移学习。此外，我们提出了一种可扩展的众包范例，用于收集与 STAR 质量相同的任意大的数据集。此外，我们引入了新颖的模式引导对话模型，通过对任务的明确描述将从已知的任务泛化到未知的任务，证明了这些模型的有效性，尤其是在任务和领域的零 - shot 推广方面。
发现论文，激发创造
  • STAR: 上下文引导的文本到 SQL 解析的 SQL 引导预训练

    本文提出了一种新的基于 SQL 引导的预训练框架 STAR，用于上下文相关的文本到 SQL 解析，通过利用上下文信息，丰富自然语言（NL）话语和表模式表示，以解决文本到 SQL 解析中的问题，并取得了两个下游基准测试（SParC 和 CoSQL）的新最高性能，该研究可推动该领域的研究。

    Oct, 2022

  • 实现可扩展的多领域对话代理: Schema-Guided 对话数据集

    本文介绍了 Schema-Guided Dialogue (SGD) 数据集，包括 16 个领域的 16,000 个多领域对话。SGD 数据集提供了一个具有挑战性的测试平台，可以用于测试任务包括语言理解，位置填充，对话状态跟踪和响应生成。文章也提出了一个基于模式的任务导向对话的范式，尤其是在输入中提供了一组动态的意图和插槽自然的语言描述，提高了对大量服务形态的支持和新服务的快速集成。

    Sep, 2019

  • VSTAR：一个基于视频的对话数据集，用于具有场景和主题转换的情境语义理解

    本文提出了一个基于 VSTAR 数据集的视频对话理解的基准测试，其中包括场景分割、主题分割和视频对话生成三个基准测试，以验证多模态信息和段落在视频对话理解和生成中的重要性。

    May, 2023

  • DSTC8 中的基于模式引导的对话状态跟踪任务

    本文介绍了第 8 届对话系统技术挑战赛的 Schema-Guided 对话状态跟踪任务，其目标是开发适用于大型虚拟助手的对话状态跟踪模型，重点是跨域的数据高效联合建模和新 API 的零 - shot 推广。本任务提供了一个包含 16 个领域超过 16000 个对话的数据集，其中包括一个能够零 - shot 推广到新 API 的基线模型。本文介绍了任务定义、数据集和评估方法，并概述了提交系统的方法和结果，以突出现今最先进技术的总体趋势。

    Feb, 2020

  • 基于模式引导的零 - shot 对话范式

    通过显式地提供特定任务对话策略，提出了 Schema Attention Model (SAM) 和改进版 Schema 表示来解决零 - shot 迁移学习问题，在 Star 语料库上验证了 SAM 在零 - shot 模式下的显著改善，F1 值提高了 22 个点。

    Jun, 2021

  • SGD-X：对基于模式引导的对话系统鲁棒泛化能力的基准测试

    通过扩展 Schema-Guided Dialogue 数据集，我们研究了对话系统在语义相似但风格不同的服务 API 语言样本中的鲁棒性，发现两个最优状态跟踪模型在处理此类数据时存在较大瓶颈，同时提出了一种改进 Schema 鲁棒性的简单数据增强方法。

    Oct, 2021

  • 基于树形重述排名的更健壮的模式引导对话状态跟踪

    使用树形排序的生成模型，优化模型的语法多样性和语义忠实度，使其适用更广泛的任务。将合成的数据添加到基线模型的训练集中，可以显著提高其平均联合目标准确性和模式灵敏度。

    Mar, 2023

  • 面向任务导向对话的通用对话行为标注

    本文提出了一种适用于任务导向对话系统的通用 DA 模式，并使用人类 - 人类对话语料库进行标记和建模，通过半监督学习技术，以提高标记效率和标记质量。

    Jul, 2019

  • 使用上下文摘要和领域框架的零样本泛化端到端任务导向对话系统

    该研究介绍了一种基于 GPT-2 模型的零 - shot 通用端到端任务导向对话系统，该系统利用​​域模式允许对未见过的域进行健壮的泛化，并利用对话历史的有效摘要，实现一般任务完成技能的学习。经过了大量的实验评估 SGD 和 SGD-X 数据集，跨越多达 20 个独特的领域，ZS-ToD 在关键度量上优于现有技术，联合目标准确率提高了 17％，信息传递提高了 5 个单位。

    Mar, 2023

  • 可转移对话状态跟踪的模式编码

    该论文提出了一种名为 SETDST 的基于神经网络的对话状态跟踪方法，通过对数据集的 schema 进行编码实现对新领域的有效迁移学习，进而提高多领域设置下的对话系统性能。

    Oct, 2022