提出了一种新颖的基于预训练语言模型的任务驱动对话状态追踪方法,利用基于模式的提示和模式描述提高了性能,适用于多个基准测试(MultiWOZ 2.2、MultiWOZ 2.1 和 M2M),实现了最先进的性能。
Sep, 2021
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
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
使用树形排序的生成模型,优化模型的语法多样性和语义忠实度,使其适用更广泛的任务。将合成的数据添加到基线模型的训练集中,可以显著提高其平均联合目标准确性和模式灵敏度。
Mar, 2023
该研究提出了一种名为动态架构图融合网络(DSGFNet)的方法,它能够明确融合事先的槽 - 域成员关系和对话感知动态槽关系,且能够利用这些架构图来实现跨领域知识传递,此方法在 Dialogue State Tracking 领域内的实证结果优于现有方法。
Apr, 2022
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
文章提出了一种基于多任务 BERT 模型的对话状态跟踪器,可以同时解决意图预测、请求插槽预测和插槽填充等三个 DST 任务,并采用高效和简洁的对话历史和服务架构编码来提高性能。通过对 SGD 数据集进行的评估,结果表明该方法在计算效率明显提高的同时,大幅度超越了基线 SGP-DST,并且性能表现接近于最先进的模型。
Jul, 2022
本文介绍了 Schema-Guided Dialogue (SGD) 数据集,包括 16 个领域的 16,000 个多领域对话。SGD 数据集提供了一个具有挑战性的测试平台,可以用于测试任务包括语言理解,位置填充,对话状态跟踪和响应生成。文章也提出了一个基于模式的任务导向对话的范式,尤其是在输入中提供了一组动态的意图和插槽自然的语言描述,提高了对大量服务形态的支持和新服务的快速集成。
Sep, 2019
通过在训练和推理过程中加入从对话语料库和模式中搜集的寻求知识的对话轮次,使基于模式的对话状态追踪模型具有更强的稳健性。
Sep, 2023
本文提出了一种基于 BERT 的零 - shot 自然语言理解模型,用于实现多领域会话状态跟踪,实验结果显示该模型较基线系统具有显著改进。
Jun, 2020