Jul, 2022

控制用户对话行为增强对话状态跟踪

PDF
TL;DR介绍了 CUDA-DST 方法，将用户 utterances 转换成具有不同行为的 utterances，并获得改进，表现出更好的鲁棒性，在 MultiWOZ 2.1 数据集上取得了最新的性能。
data augmentationdialogue state trackingcontrollable user dialogue act augmentationstate trackersmultiwoz 2.1
发现论文，激发创造
  • 面向任务导向对话系统的语境数据增强

    我们开发了一种新型的对话扩充模型，通过完整的对话上下文生成用户的回合，并通过语言模型的新提示设计和输出重新排序，所生成对话可直接用于训练下游对话系统，在常见的基准数据集 MultiWoZ 和 SGD 上，展示了我们的对话扩充模型生成高质量对话并使对话成功率较基准线提高多达 8%。

    Oct, 2023

  • 通过数据增强的问答方法进行多模态对话状态跟踪

    文章提出了一个基于多模态融合和注意力机制的开放域问答系统，用于解决 Audio-Video Scene-Aware Dialogue（AVSD）任务，结果表明基于问答假设的数据增广技术和模型均能在 DSTC7-AVSD 数据集上带来显著的改进。

    Jul, 2020

  • 通过 LLM 支持的用户代理模拟增强对话状态跟踪模型

    利用 GPT-4 生成对话数据，通过在 LLaMA 2 上进行两阶段的微调，减少对话收集和注释成本，并表现出比仅使用真实数据训练的基准模型更好的性能，同时适应实际场景中的动态需求。

    May, 2024

  • 基于多任务学习的联合语言理解和对话状态跟踪

    本文提出了一种新的多任务学习方法，旨在为面向任务的对话系统中的语言理解（LU）和对话状态跟踪（DST）进行学习。多任务训练使得编码用户话语的神经网络层用于 LU 和 DST，通过减少网络参数并提高性能。 本研究提出了 DST 框架，用于考虑有大量或无限可能值的插槽及以往对话中未见过的槽值，并探讨了在 LU 和 DST 输出上使用计划采样来弥合训练和推理之间的差距。

    Nov, 2018

  • 对话状态跟踪中的复制机制数据增强

    该研究旨在寻找影响基于复制机制的对话状态跟踪模型性能的因素。研究发现，数据增强可以提高它对未知值的性能，而且使用超参数可以在不同的性能和计算代价之间做出权衡。

    Feb, 2020

  • 通过保留目标函数的自我训练增强方法提升少样本生成性对话状态追踪

    提出了一种新的自学框架，通过伪标签和目的保持扩充来迭代地改进模型，用于少样本生成式对话状态跟踪，增强了 MultiWOZ 2.1 的性能，并提高了无见过值的槽召回率。

    Nov, 2022

  • 基于 N-Shot 学习的任务型对话状态追踪增强

    本研究提出一种利用信念状态注解进行对话增强的框架，能够在无需过多样本的情况下，显著提高 DST 模型和语言模型在新领域翻译任务中的表现，适用于 n-shot 训练场景。

    Feb, 2021

  • 计划、生成、复杂化：通过易到困难的零样本数据增强提高低资源对话状态跟踪

    我们提出了 EDZ-DA 框架，利用大型语言模型自动捕捉不同领域之间的关系并生成对话数据，通过增加对话复杂性来增强模型在共指槽跟踪方面的能力，并通过改变槽值排列顺序和解决不完整值生成问题来改善性能，实验结果表明我们的方法优于多个强基线数据增强方法在 MultiWOZ 上。

    Jun, 2024

  • 适应口语对话的基于文本的对话状态追踪器

    本文描述了我们在 DSTC11 中参与的具有极大成功的模型的工程努力，该模型由三个主要模块组成：(1) 自动语音识别误差校正，(2) 基于文本的对话系统用于估计插槽和值，(3) 后处理用于恢复估计的插槽值的错误。我们的实验证明了对于口语对话语料库，使用明确的自动语音识别误差校正模块、后处理和数据增强对于调整基于文本的对话状态跟踪器至关重要。

    Aug, 2023

  • 低资源开放领域对话生成的可控且多样化的数据增强

    利用大规模语言模型 (LLM) 进行以摘要为基础的对话增强 (SDA) 以提高语义多样性和控制能力，通过生成高质量和多样化的对话数据来增强开放领域对话模型的性能。

    Mar, 2024