ACLMay, 2021

用于任务型对话系统中发现未知槽类型的新型槽位检测基准

PDF
TL;DR该论文提出了一种新的任务 ——NSD，即 Novel Slot Detection，旨在通过在域训练数据发现未知或超出域的槽类型来增强对话系统的能力，并且构建了两个公共 NSD 数据集，提出了几个强有力的 NSD 基线，并建立了未来工作的基准。最后，作者对关键挑战进行了详尽的实验和定性分析，并提供了未来方向的新指导。
slot fillingdialogue systemnovel slot detectionnsd datasetsqualitative analysis
发现论文，激发创造
  • 主动发现面向任务型对话的新插槽

    本文提出了一种新的信息提取框架，结合主动学习方法将非预定义领域槽发现纳入对话管理过程中，实现对话机器人任务中的自动领域学习，充分发挥数据和人类经验的作用。

    May, 2023

  • 多域对话状态跟踪中的槽值预测：寻找还是分类？

    提出了一种新的双策略对话状态跟踪（Dialog state tracking）方法，该方法采用单个类似 BERT 的阅读理解模型来同时处理分类和非分类插槽，实验证明该方法在两种不同的情境下表现出色，并在干扰性较高的数据集上创造了新的最优性能。

    Oct, 2019

  • 一个话语中不能建立一个格子：带子格的口语对话

    本文定义了新的 Sub-Slot 口语任务（SSTOD），并构建了一个用于该任务研究的中文对话数据集。数据集包括来自四个不同领域的 40K 对话和 500K 次话语，并用子时隙值、时隙值、对话状态和动作进行了良好的注释。我们在 SSTOD 上测试了三个最先进的对话模型，并发现它们无法很好地处理四个领域中的任何一个任务。我们还研究了一种通过插件方式涉及时隙知识的改进模型。SSTOD 中产生的新挑战需要更多的工作，因为它广泛存在于现实生活应用中。

    Mar, 2022

  • 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

  • 通过预训练语言模型探测和多层对比学习实现槽位归纳

    在本研究中，我们研究了无需显式标注的词级槽位注释的情况下，用于识别 Task-oriented Dialogue Systems 中的槽位边界的槽位感知（Slot Induction）任务，并提出利用无监督预训练语言模型（PLM）探测和对比学习机制，结合可从 Task-oriented Dialogue Systems 中获得的句级意图标签信号，从而在两个自然语言理解基准数据集上展现出有效性，同时能够填补与词级监督模型之间的差距。当推广到新兴意图时，我们的槽位感知目标还提供了改进的槽位标签表示，从而提高了槽位填充任务的性能。

    Aug, 2023

  • 任务导向对话系统中基于神经网络的槽位填充和意图分类新方法综述

    本文重点考察了基于神经网络的研究，围绕自然语言理解在对话系统中的应用，着重研究了两个核心问题：slot filling 和 intent classification，并介绍了三种神经网络架构：独立模型、联合模型和迁移学习模型。提出了当前研究中面对的挑战。

    Nov, 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

  • 低资源语言中的零样本槽位与意图检测

    研究了低资源语言中的意图检测和槽填充任务，测试了最近的大型语言模型编码器 - 解码器模型 mT0 的概括能力，并展示出该模型在意图检测任务上的表现优于基准模型（高达 + 30 F1 分）

    Apr, 2023

  • 一个端到端的方法来处理对话状态跟踪中的未知槽值

    本文介绍了一种基于指针网络 (PtrNet) 的 E2E 框架，可以有效地提取未知槽值，同时仍然能够在标准 DSTC2 基准测试中获得具有代表性的精度，我们还提供了广泛的实证证据表明，跟踪未知值可能具有挑战性，在有效的特征 dropout 技术的帮助下，我们的方法可以带来显著的改进。

    May, 2018

  • 具有示例值的强韧的零样本跨领域隙槽填充

    在面对数据量缺乏的多领域任务型对话系统中，本文提出一种结合了槽位值示例及其描述信息的学习方法，从而得到可在不同领域中迁移的槽位语义表示，并在两个多领域数据集上实现了比最先进方法更好的效果表现。

    Jun, 2019