May, 2023

通过示例引导的问答方式进行连续对话状态跟踪

PDF
TL;DR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。
发现论文，激发创造
  • 通过生成式问答实现对话状态跟踪中的零 - shot 泛化

    研究了一种基于生成型问答和条件语言模型的不需要本体的 Dialog State Tracking 方法，具有较好的领域迁移效果。

    Jan, 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

  • 动态知识图谱增强的多领域对话状态跟踪与问答

    本文提出一种基于问题回答的多领域对话状态跟踪方法（DSTQA），并利用动态演化的知识图谱显式地学习（领域、槽）对之间的关系，相较于最新的模型在 MultiWOZ 2.0 和 2.1 数据集上有 5.80％和 12.21％的相对改进，且在领域适应设置中始终优于最先进的模型。

    Nov, 2019

  • 你跟得上我吗？”: 对话状态跟踪近期方法综述

    对话状态跟踪是对话系统中的重要环节，虽然神经方法实现了显著的进展，但对话系统的一些关键方面，如可拓展性等仍未得到充分探索，本文提出了未来研究的几个方向。

    Jul, 2022

  • 面向任务型对话系统的基于提示的小样本学习方法在信念状态跟踪中的研究

    我们探讨了基于任务导向的对话系统的对话信念状态跟踪（DST）问题。通过以 Prompt 为基础进行少样本学习，我们证明了 Prompt-based 方法在 DST 的 Few-shot 学习中具有潜在的潜力，并提供了未来改进的方向。

    Apr, 2022

  • 目标导向的多任务 BERT 对话状态跟踪器

    本文提出了一种基于 BERT 模型的 GOaL-Oriented 多任务对话状态跟踪器（GOLOMB），该模型通过查询对话历史记录中的槽口和服务的描述以及可能的槽口值来传输多域对话中的槽口值，并具有扩展到未见过的槽口类型的能力。我们的模型在 SGD 数据集上取得了 53.97％的联合目标准确率，优于基线模型。

    Feb, 2020

  • 通过提示调整实现参数高效的低资源对话状态跟踪

    该论文研究了如何在对话管理中跟踪用户的信念，通过使用软提示令牌嵌入来学习任务属性，可以显著减少先前工作所需的参数数量，同时实现更好的低资源对话状态跟踪性能。

    Jan, 2023

  • 通过识别相关上下文来改善对话状态跟踪

    提出了一种新颖的 DST 框架，它通过有关特定 slot 值更改的过去话语来识别相关历史上下文，并将其与加权系统话语一起使用以确定相关上下文，实验证明该方法在 WoZ 2.0 和 MultiWoZ 2.0 餐厅领域数据集上比先前的 GLAD 模型提高了 2.75％和 2.36％的目标准确性。

    Apr, 2019

  • 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

  • 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