ACLMay, 2022

无监督任务型对话中槽位模式识别

PDF
TL;DR提出了一种无监督的方法来从未标注的对话语料库中识别 slot schema，通过在特定领域的语言模型和无监督的解析结构的帮助下提取候选槽位，并通过从粗到细的聚类来诱导槽类型，显示了该方法在 MultiWoz 和 SGD 数据集上诱导槽模式的显着性能改进，并证明了诱导槽模式对于对话状态跟踪和响应生成的有效性。
dialog corporatask-oriented dialog systemsunsupervised approachslot schema inductioninduced schemas
发现论文，激发创造
  • 对话系统的意图 - 槽位自动识别

    该研究提出了自然语言对话系统中自动推断语义意图和关键词槽位的新方法，通过应用 Apriori 算法，设计了一种包含角色标注，概念挖掘，模式挖掘三步的粗略到精细的三步流程，实验表明该方法不仅适用于领域内和领域间的数据，具有良好的适应性，而且大大减少了手动工作。

    Mar, 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

  • 使用基于架构的提示的语言模型实现对话状态跟踪

    提出了一种新颖的基于预训练语言模型的任务驱动对话状态追踪方法，利用基于模式的提示和模式描述提高了性能，适用于多个基准测试（MultiWOZ 2.2、MultiWOZ 2.1 和 M2M），实现了最先进的性能。

    Sep, 2021

  • 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

  • 客户支持对话中无监督意图归纳的完全框架

    我们提出了一个完全无监督的对话意图识别框架，旨在通过研究最常见的对话序列来提取意图流，并且在处理对话语料库时进行预处理以提高结果。此框架不需要先验知识，适用于任何可能的用例，非常适用于各行业的实际客户支持应用。

    Jul, 2023

  • 基于任务的对话中的结构提取：基于槽聚类的方法

    本文提出一种在面向任务的对话中提取结构化信息的方法，通过使用预训练模型检测和聚类可能的槽标记来逼近目标领域的对话本体，在此基础上推导出状态转移结构，实验结果表明这种方法在对话结构提取方面表现比无监督基线模型更好，此外，通过基于提取的结构进行数据增强可以大幅提高对话响应生成的性能。

    Feb, 2022

  • 嘈杂信道的力量：无监督端到端任务导向对话的 LLMs

    通过使用未标注的数据和模式定义，我们开发了一种新方法来构建一个完全无监督的面向任务的对话系统，该系统可以在迭代中通过期望最大化方法逐渐改进伪标签，并利用这些标签来训练一个端到端的对话代理，其在 MultiWOZ 基准测试上的成功率超过了强大的 GPT-3.5 基准的两倍。

    Apr, 2024

  • 基于模式引导的零 - shot 对话范式

    通过显式地提供特定任务对话策略，提出了 Schema Attention Model (SAM) 和改进版 Schema 表示来解决零 - shot 迁移学习问题，在 Star 语料库上验证了 SAM 在零 - shot 模式下的显著改善，F1 值提高了 22 个点。

    Jun, 2021

  • 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

  • 基于树形重述排名的更健壮的模式引导对话状态跟踪

    使用树形排序的生成模型，优化模型的语法多样性和语义忠实度，使其适用更广泛的任务。将合成的数据添加到基线模型的训练集中，可以显著提高其平均联合目标准确性和模式灵敏度。

    Mar, 2023