全面研究:不同颗粒度的上下文信息如何影响对话状态跟踪?
提出了一种新颖的 DST 框架,它通过有关特定 slot 值更改的过去话语来识别相关历史上下文,并将其与加权系统话语一起使用以确定相关上下文,实验证明该方法在 WoZ 2.0 和 MultiWoZ 2.0 餐厅领域数据集上比先前的 GLAD 模型提高了 2.75%和 2.36%的目标准确性。
Apr, 2019
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
对话状态跟踪是对话系统中的重要环节,虽然神经方法实现了显著的进展,但对话系统的一些关键方面,如可拓展性等仍未得到充分探索,本文提出了未来研究的几个方向。
Jul, 2022
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
本文介绍了一种基于深度学习的可伸缩的多领域对话状态跟踪方法,通过引入一个新的状态跟踪框架,该框架独立于具体的槽值集合,并将对话状态表示为候选值集合的分布,此方法能够快速适应新领域,提高跨领域和可扩展性。
Dec, 2017
本论文提出了一种多层次融合对话状态跟踪(DST)网络,通过建模每个对话轮次的交互,实现从以往对话历史和当前对话上下文中抽取对话状态信息,进行预测和融合,加强对当前对话状态的跟踪和理解,实验结果表明该模型在 MultiWOZ 2.0 和 MultiWOZ 2.1 数据集上取得了当前领先的 55.03% 和 59.07% 联合灵敏度值。
Jul, 2021
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
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
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