IJCAIFeb, 2022

通过继承提及插槽池中的插槽值来跟踪对话状态

PDF
TL;DR该研究设计了一个具有提及的插槽池（MSP）的模型来解决对话状态跟踪中的更新问题。MSP 是记录可能被继承的所有提及插槽值的插槽特定内存，我们的模型根据 MSP 和对话上下文更新插槽值。实验结果表明，该模型在 MultiWOZ 2.1 和 2.2 数据集上达到了最先进的对话状态跟踪性能。
dialogue state trackingslot valuesmentioned slot poolcontextual informationmultiwoz
发现论文，激发创造
  • 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

  • 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

  • 通过选择性覆盖记忆实现高效对话状态跟踪

    该研究提出了一种基于固定大小记忆和有选择的覆盖机制的对话状态跟踪模型，其将 DST 分解为两个子任务，并引导解码器集中于其中一个任务，以提高 DST 性能。

    Nov, 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

  • 可扩展的多领域对话状态跟踪

    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

  • 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

  • 预测对话状态和对话内容的多级融合对话状态跟踪

    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

  • 对话状态跟踪的思维链解释

    对话状态跟踪（DST）是记录对话交互中用户查询和目标的任务，当前方法透明地决定槽值，而人类通常采用更为深思熟虑的方法，通过收集相关对话回合的信息，然后推理出适当的值。本文提出的 Chain-of-Thought-Explanation（CoTE）模型旨在确定槽值后，逐步创建详细的解释，从而提高槽值的准确性和可靠性。为了提高 CoTE 的推理能力，我们进一步使用自动改写构建了更流畅和高质量的解释，即 CoTE-refined 方法。在三个公认的 DST 基准（MultiWOZ 2.2、WoZ 2.0 和 M2M）上进行的实验证实了 CoTE 的显著有效性。此外，通过细致的细粒度分析，我们发现 CoTE 在长对话回合、用户回应和推理步骤有较为明显的益处。

    Mar, 2024

  • 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

  • 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