EMNLPOct, 2023

对话状态跟踪的转折级主动学习

PDF
TL;DR我们提出了一种新颖的逐轮主动学习框架用于对话状态跟踪 (DST)，通过主动选择对话中的轮次进行注释，以解决收集大量逐轮标注对话数据的高成本和低效率问题。根据有限的标注预算，实验结果表明选择性注释对话轮次的有效性。此外，我们的方法可以有效地实现与传统训练方法相当的 DST 性能，使用显著较少的标注数据，为注释新的对话数据提供了更高效的方式。
发现论文，激发创造
  • 稀疏监督引导下的注意力对话状态追踪

    本论文提出了一种基于 encoder-decoder 模型的 Dialogue State Tracking 方法，在利用数据量较小的情况下学习对话状态，结果表明该方法与基于完全监督的基线相当，但成本更低。

    Jan, 2021

  • 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

  • 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

  • 面向任务建模的对话状态跟踪的半监督引导

    本文研究了利用半监督学习方法在构建神经对话系统时可以减少中间标签的数量，发现可以利用未注释数据来显著减少对话状态的转换级别注释，同时在 MultiWOZ 语料库上进行了分析并提出了第一个端到端的对话模型。

    Nov, 2019

  • 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

  • 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

  • 向更真实的对话状态跟踪迈进：包括回退话语

    研究表明，当前的基准数据集不足以处理在谈话中改变主意的情况，当 template-based 的 turnback utterances 注入到数据集中时，DST 模型无法参考之前的用户偏好，导致性能显著下降，但是当这些场景在训练集中被明确设计时，这种性能下降是能够得到恢复的，这表明问题不在 DST 模型本身，而在于基准数据集的构建。

    Aug, 2021

  • 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

  • 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