ACLApr, 2022

多域对话状态跟踪的动态模式图融合网络

PDF
TL;DR该研究提出了一种名为动态架构图融合网络（DSGFNet）的方法，它能够明确融合事先的槽 - 域成员关系和对话感知动态槽关系，且能够利用这些架构图来实现跨领域知识传递，此方法在 Dialogue State Tracking 领域内的实证结果优于现有方法。
dialogue state trackingdynamic schema graph fusion networkslot-domain relationsknowledge transferempirical results
发现论文，激发创造
  • 多域对话状态跟踪的高效上下文和模式融合网络

    本文提出了一种基于内部和外部注意机制的上下文和架构融合网络来编码对话上下文和架构图，能够在 MultiWOZ 2.0 和 MultiWOZ 2.1 基准测试中获得最新的最佳性能的开放词汇 DST。

    Apr, 2020

  • 基于状态图的跨领域对话状态跟踪

    本文探讨了利用关系图与 relational-GCN 图卷积网络构建聊天机器人多域对话跟踪模型的方法，实验结果表明，该方法实现了新的最佳性能，优于使用现有方法提出的深度学习技术的性能。

    Oct, 2020

  • 多领域对话状态跟踪的模式图引导提示

    我们提出了一种基于图的框架，通过将对话模式编码为图神经网络来嵌入预训练语言模型，从而在特定领域上对模型进行了更好地自适应，实验证明该方法在多领域对话状态跟踪方面优于其他方法。

    Nov, 2023

  • 基于 BERT 的快速而健壮的基于模式引导的对话数据集跟踪器

    本文介绍了一种基于 BERT 的快速和强健的模型 FastSGT 用于在目标导向对话系统中跟踪对话状态，在实验中，FastSGT 在保持计算和内存消耗效率的同时，显着提高了准确性，并通过数据增强显示了提高准确性的有效性。

    Aug, 2020

  • 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

  • 基于 Multi-Task BERT 模型的 Schema-Guided 对话状态跟踪

    文章提出了一种基于多任务 BERT 模型的对话状态跟踪器，可以同时解决意图预测、请求插槽预测和插槽填充等三个 DST 任务，并采用高效和简洁的对话历史和服务架构编码来提高性能。通过对 SGD 数据集进行的评估，结果表明该方法在计算效率明显提高的同时，大幅度超越了基线 SGP-DST，并且性能表现接近于最先进的模型。

    Jul, 2022

  • 动态知识图谱增强的多领域对话状态跟踪与问答

    本文提出一种基于问题回答的多领域对话状态跟踪方法（DSTQA），并利用动态演化的知识图谱显式地学习（领域、槽）对之间的关系，相较于最新的模型在 MultiWOZ 2.0 和 2.1 数据集上有 5.80％和 12.21％的相对改进，且在领域适应设置中始终优于最先进的模型。

    Nov, 2019

  • 知识感知图增强的 GPT-2 用于对话状态跟踪

    本文介绍了一种新的混合架构，将 GPT-2 与来自 Graph Attention Networks 的表示相结合，以实现逐步预测插槽值，并捕获跨域的插槽之间的关系和依赖关系，以提高多域会话跟踪的性能。该模型通过图模块捕获插槽之间的相互依赖性并提高了跨多个域常见的值的预测。

    Apr, 2021

  • 可转移对话状态跟踪的模式编码

    该论文提出了一种名为 SETDST 的基于神经网络的对话状态跟踪方法，通过对数据集的 schema 进行编码实现对新领域的有效迁移学习，进而提高多领域设置下的对话系统性能。

    Oct, 2022

  • 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