主动发现面向任务型对话的新插槽
该论文提出了一种新的任务 ——NSD,即 Novel Slot Detection,旨在通过在域训练数据发现未知或超出域的槽类型来增强对话系统的能力,并且构建了两个公共 NSD 数据集,提出了几个强有力的 NSD 基线,并建立了未来工作的基准。最后,作者对关键挑战进行了详尽的实验和定性分析,并提供了未来方向的新指导。
May, 2021
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。
May, 2022
在面对数据量缺乏的多领域任务型对话系统中,本文提出一种结合了槽位值示例及其描述信息的学习方法,从而得到可在不同领域中迁移的槽位语义表示,并在两个多领域数据集上实现了比最先进方法更好的效果表现。
Jun, 2019
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
本文提出了一种基于深度学习的方法,利用多任务学习中的槽位描述来快速启动新领域的语义解析模型,解决了对话系统领域扩展问题,同时消除了手动注释数据或显式模式对齐的需求,并在多个领域的实验中展现出显著的槽位填充性能优化。
Jul, 2017
提出了一种新的零射击槽填充神经模型 LEONA,通过利用语言特征、命名实体识别提示、预训练语言模型的上下文嵌入,从而获得领域无关的上下文感知表示,通过三步骤 fine-tunes 产生独立于槽的标签,并使用可推广的上下文感知语句 - 槽相似特征将其上下文化以产生每个单词的针对特定槽的预测,总体而言,在 SNIPS、ATIS、MultiWOZ 和 SGD 数据集上,从未见过的领域平均表现优于 SOTA 模型 17.52%、22.15%、17.42% 和 17.95%
Jan, 2021
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
这篇论文提出了一个名为 SCot 的自我监督协同训练框架,它需要零个领域内手动标记的训练例子,并且通过引入三个阶段来最小化性能差距,证明了在开放域槽填充中可行性,通过使用伪标签和自我监督强化三个阶段的性能,SCot 在 SGD 和 MultiWoZ 数据集上的性能比现有的模型分别提高了 45.57%和 37.56%。
Mar, 2023
本研究提出一种神经网络架构来解决在多域系统中的上下文理解和词槽填充问题,着重解决如何面对大规模和多样化的问题,模型通过候选集合来决定是否填充词槽,并引入了简单但有效的数据驱动方法用于转换候选词槽。实验表明该方法可以在多个领域中提供最优结果。
Jun, 2018
本研究提出一种基于 Zero-Shot Adaptive Transfer 方法的领域自适应对话代理模型,通过利用槽位描述信息实现可重用概念在领域之间的迁移,并避免了显式概念对齐的训练复杂度,实验结果表明此模型在多达 10 个领域的数据集上性能显著优于之前的最优系统,特别在低数据情况下表现更出色。
Aug, 2018