Nov, 2022

MoNET: 通过噪声增强训练来应对对话状态跟踪中的状态动量

PDF
TL;DR本文提出了 MoNET 以通过噪声增强训练，解决对话状态跟踪中的状态惯性问题。MoNET 在 MultiWOZ 数据集上的实验结果表明其胜过以往的 DST 方法，并且通过对比上下文匹配框架，缩小状态和相应噪声版本的表示距离，从而减少噪声的影响，提高了反噪能力。
dialogue state trackingdst modelsmonetstate momentummultiwoz
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 利用时间表达网络的神经对话状态跟踪

    本文提出了 Temporally Expressive Networks (TEN) 模型以同时模拟对话轮次间的时间特征依赖和状态依赖。利用循环网络和概率图模型，模型对话状态追踪 (DST) 的准确率得到了提升。

    Sep, 2020

  • 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

  • 非自回归对话状态跟踪

    本文提出了一种基于非自回归框架的对话状态跟踪方法 (NADST)，能够考虑域和槽之间的潜在依赖关系，优化对话状态预测的完整集合。该方法的非自回归性质不仅可以并行进行解码，大大降低了实时对话响应生成的延迟，而且可以在令牌级别检测槽之间的依赖关系。在 MultiWOZ 2.1 语料库上，我们的模型在所有领域上的联合精度达到了最先进水平，并且我们的模型的延迟比以前的最新技术低一个数量级，尤其当对话历史随时间推移时。

    Feb, 2020

  • 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

  • 通过示例引导的问答方式进行连续对话状态跟踪

    通过将对话状态追踪重新构想为一个打包的例子指导的问题回答任务，以利于持续学习并减少服务特定的记忆，该方法通过学习在过程中上下文的例子以及结合对话层次的记忆回放方法，无需依赖于任何复杂的规范化或参数扩展方法，便可获得 DST 持续学习度量上的最先进性能。

    May, 2023