ACLMay, 2021

NeuralWOZ: 基于模型的仿真学习任务导向对话收集

PDF
TL;DR本文提出了一种新型的对话收集框架，名为 NeuralWOZ，该框架使用基于模型的对话模拟，并且使用 collector 和 labeler 两个模型，其中 collector 生成对话，而 labeler 则将生成的对话进行注释并将注释形成为一个多项选择问题。这个方法在对话状态跟踪的零样例转移学习中表现出了很好的效果，产生的合成对话语料库在多个领域上以 4.4％的联合目标准确度和 5.7％的待测试覆盖率的改善实现了新的最高水平。
发现论文，激发创造
  • 多用户多 WOZ：多用户之间的任务导向对话

    通过收集多用户多 WOZ 数据集，该研究提出了多用户背景下的查询重写任务，旨在将两个用户之间的对话重写成只包含任务相关信息、能够被对话系统直接处理的简洁任务查询，实验证明通过预测的重写方式，显著提高了对话状态跟踪的性能，并且可以适用于未知领域。

    Oct, 2023

  • MultiWOZ -- 用于任务导向对话建模的大规模多领域人机对话数据集

    本文介绍了一个基于人人写作而成的多领域伪随机项目 (MultiWOZ)，是目前已有数据集中体积最大的任务导向型对话集，其意义在于为未来研究设定了基线，并揭示了其与对话信念状态、对话行为等方面的相关性

    Sep, 2018

  • MultiWOZ 2.3：一个增强的多领域任务导向对话数据集，带有注释更正和同指标注

    本文介绍了 MultiWOZ 2.3 数据集，通过协同指称功能和一致化注释实现了对话行为和对话状态的一致性，提高了自然语言理解和对话状态跟踪的性能表现。

    Oct, 2020

  • GraphWOZ: 基于对话知识图谱的对话管理

    我们提出了一种使用对话知识图谱作为对话状态核心表示的新方法，提出了一个新数据集 GraphWOZ，并基于此展示了会话实体链接和响应排名的实验结果。

    Nov, 2022

  • JMultiWOZ：一个大规模的多领域任务导向对话日语数据集

    为了推动日语任务导向对话系统的研究和发展，本研究构建了 JMultiWOZ，这是第一个规模较大的多领域任务导向对话数据集。通过使用 JMultiWOZ 评估英语基准数据集 MultiWOZ2.2 和最新的大型语言模型 (LLM) 方法的对话状态跟踪和响应生成能力，评估结果表明 JMultiWOZ 与 MultiWOZ2.2 具有相当的水平。此外，通过与模型和人类参与者进行交互对话的评估实验，我们发现日语中 LLMs 在任务完成能力上存在局限性。

    Mar, 2024

  • MultiWOZ 2.4: 一个包含必要注释更正的多领域任务导向对话数据集，以改进状态追踪评估

    本文介绍了 MultiWOZ 2.4，它在 MultiWOZ 2.1 的验证集和测试集中改进了注释，并在此数据集上基于八个最先进的对话状态跟踪模型进行了评测，所有这些模型的表现均比 MultiWOZ 2.1 优异。

    Apr, 2021

  • MultiWOZ 是一个已解决的任务吗？带有用户模拟器的交互式 TOD 评估框架

    本文提出了一种交互式评估框架用于任务指向对话（TOD）系统，通过构建用户目标的预训练模型和使用用户模拟器来交互评估，实验结果表明，我们的提议可以实现与多 WoZ 数据集中的 TOD 任务 98％的成功率和信息率，并引入了句子层和会话层得分来衡量响应质量。

    Oct, 2022

  • 可迁移的对话系统和用户模拟器

    通过对话系统和用户模拟器之间的交互，开发了一种建模框架，旨在通过自动对话场景的创建来解决训练数据不足的问题，并使用强化学习来改进智能体的行为，从而在转移学习中提高对话系统性能。

    Jul, 2021

  • 面向任务建模的对话状态跟踪的半监督引导

    本文研究了利用半监督学习方法在构建神经对话系统时可以减少中间标签的数量，发现可以利用未注释数据来显著减少对话状态的转换级别注释，同时在 MultiWOZ 语料库上进行了分析并提出了第一个端到端的对话模型。

    Nov, 2019

  • GlobalWoZ：将 MultiWoZ 全球化以开发多语言任务导向的对话系统

    该论文介绍了一种通过翻译并修改本地实体的对话模板来生成 GlobalWoZ 数据集的方法，以增加多种语言的任务导向对话系统的数据覆盖范围，并提供了一组坚实的基准数据集以进行学习和评估。

    Oct, 2021