AAAIFeb, 2023

对话状态跟踪的交互槽对比学习对话状态蒸馏网络

PDF
TL;DR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
dialogue state trackingdsdnslot co-update relationsmultiwozperformance
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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