Aug, 2023

适应口语对话的基于文本的对话状态追踪器

PDF
TL;DR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。
发现论文，激发创造
  • 语音感知对话系统技术挑战赛（DSTC11）

    本文涉及针对与书面文本不同的口语输入而设计的任务型对话建模，以解决自动语音识别系统所引入的误差，并针对多轮对话建立了一个公共语料库，研究各种形式的语音输出的性能差距，并给出了初步分析。

    Dec, 2022

  • 具备 ASR 特性的混合式对话状态跟踪器

    本文提出了一种混合会话状态跟踪器，使用可训练口语理解（SLU）来为插槽填充对话系统增强。在模块化结构中，我们通过可微分规则扩展了一些部分，以允许端到端训练，从而使我们的跟踪器可以更好地进行泛化。在 DSTC2 数据集上进行评估，我们的混合跟踪器在 DSTC2 中的四个类别中有三个类别的性能都优于现有的技术，是当前最好的方法之一。

    Feb, 2017

  • 大型本体的鲁棒对话状态跟踪

    本研究使用字符串匹配、面向对话的共识消解和其他方法来跟踪对话状态，可正确标识很多在话语中未显式提到但存在的信息，并在 DSTC 4 比赛中表现优异。

    May, 2016

  • 对话系统技术挑战赛 7

    本文介绍了第七届对话系统技术挑战赛（DSTC）的概况和研究成果，包括不同追踪和数据集的详细描述。该比赛聚焦于建立端到端的对话系统，并于句子选择、句子生成和音视频场景感知对话等方面展开研究。参赛者使用最先进的技术取得了显著的成果。

    Jan, 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

  • 生成式对话状态跟踪器中的跨语言可转移性的实证研究

    本文研究了多语言预训练 seq2seq 模型在跨语言对话状态追踪中的可转移性，尝试了联合训练、预训练等不同设置，并发现了转化能力较低的问题。

    Jan, 2021

  • DSTC8 中的基于模式引导的对话状态跟踪任务

    本文介绍了第 8 届对话系统技术挑战赛的 Schema-Guided 对话状态跟踪任务，其目标是开发适用于大型虚拟助手的对话状态跟踪模型，重点是跨域的数据高效联合建模和新 API 的零 - shot 推广。本任务提供了一个包含 16 个领域超过 16000 个对话的数据集，其中包括一个能够零 - shot 推广到新 API 的基线模型。本文介绍了任务定义、数据集和评估方法，并概述了提交系统的方法和结果，以突出现今最先进技术的总体趋势。

    Feb, 2020

  • 面向口语对话的任务导向对话建模的通用模型

    本文介绍了我们在 DSTC-10 上构建对话模型的方法。为缩小口头和书面数据之间的差距，我们采用了大量数据扩增策略，包括人工误差注入和文本转语音转换。我们改良了预训练语言模型，并对每个子任务应用了集成算法，以训练稳健的口头对话模型。我们的方法在官方评估中排名第三，在最终的正式人类评估中排名第二。

    Mar, 2022

  • 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

  • 一个砖头足够打破口语对话状态跟踪的墙吗？

    通过比较三种方法，即级联方法、局部端到端方法和完全神经方法，本研究对完全神经对话状态跟踪进行了探索，并发现级联方法仍然是最准确的方法。然而，局部端到端方法和完全神经方法在对话演化中传播上下文时存在问题，显示出完全神经方法中的上下文传播是一个具有挑战性的问题。

    Nov, 2023