WWWJan, 2021

基于 Slot 的自注意力对话状态跟踪

PDF
TL;DR本文介绍了一种基于自注意力机制的会话状态追踪器，可以自动学习语境中的预定义槽之间的相关性，实验结果表明，在两个多领域任务导向对话数据集（包括 MultiWOZ 2.0 和 MultiWOZ 2.1）上取得了最先进的性能
dialogue state trackerslot self-attention mechanismmulti-domain task-oriented dialogue datasetscorrelations among slotsstate-of-the-art performance
发现论文，激发创造
  • 提高口语对话系统中长距离槽传递的效率

    本文提出了两种神经网络结构，分别基于指针网络和转换网络，用于跟踪任务导向的口语对话系统中的对话状态，解决了传统方法在长对话上性能较差的问题。实验证明，两种提出的模型都能有效地解决更远距离的对话问题，且性能令人满意。

    Jun, 2019

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 利用槽位描述进行零样本跨域对话状态跟踪

    本论文提出一种增强型随机生成方法，利用自我注意力编码器对对话和插槽进行编码，然后以自回归的方式生成插槽值，并融入信息捕捉模板，实现跨领域知识转移，实验证明该方法在多领域体系下显著提高了当前的零样本跨领域任务对话状态跟踪技术。

    May, 2021

  • 通过本地可靠性验证的双插槽选择器用于对话状态跟踪

    提出了一种两阶段 DSS-DST 方法，其中包括基于当前回合对话的双槽选择器与基于对话历史的槽值生成器，并在 MultiWOZ 2.0，2.1 和 2.2 数据集上实现了最新的最优性能。

    Jul, 2021

  • 超越粒度：基于多角度对话协同选择的对话状态跟踪

    本研究提出了 DiCoS-DST 方法，该方法根据三个角度（与槽名称的显式连接、与当前对话的相关性、隐含提及导向推理）动态选择与各个槽相关的对话内容来更新状态，该方法在多个基准测试数据集上实现了卓越的性能表现。

    May, 2022