AAAIJan, 2024

TA&AT：增强面向任务的对话系统，利用逐回合辅助任务和基于行动树的定期采样

PDF
TL;DR使用转向级多任务目标和基于操作树的定期采样技术来提升任务导向型对话系统的理解和生成能力，达到与前期最先进的方法相竞争的性能。
task-oriented dialog systemsconversational pre-training techniquesstate labelsmulti-task objectivesaction tree-based scheduled sampling
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

  • 使用辅助任务训练简单有效的多轮对话生成模型

    本研究探讨多轮开放域对话的响应生成，并通过辅助任务实现上下文理解，提高了生成模型的质量，同时具有更快的解码速度。

    Apr, 2020

  • 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

  • 面向任务的对话状态生成的长上下文建模

    本论文提出了一种基于 TRADE 的可转移对话状态生成器，结合简单有效的话语标记技术和双向语言模型的多任务学习模型，旨在解决基线性能在长对话上大幅下降的问题，最终在 MultiWOZ 2.0 数据集上实现了 52.04％的联合目标准确性，相对提高了 7.03％，成为了最新的最先进技术。

    Apr, 2020

  • 考虑同一上下文下多个适当回复的任务导向型对话系统

    提出了一个名为 MADA 的多行为数据增强框架，用于生成多样化的对话回复，该框架利用了对话的一对多属性，并改善了对话策略及回复多样性的表现。

    Nov, 2019

  • 对话状态跟踪的转折级主动学习

    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。

    Oct, 2023

  • 以响应选择为辅助任务的高效任务导向型对话系统

    本文提出两种具有辅助任务的模型，用于响应选择，并在 MultiWOZ 2.1 数据集上取得了 107.5 和 108.3 的综合分数，优于具有三倍以上的参数基线模型。

    Aug, 2022

  • 使用基于架构的提示的语言模型实现对话状态跟踪

    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

  • 面向任务的对话的序列到序列学习与对话状态表示

    该论文提出了一种新的框架，将对话状态建模为固定大小的分布式表示，并使用注意机制查询知识库，以解决任务导向的对话系统中的问题。实验结果显示，这种框架在自动评估和人类评估上都明显优于其他基于序列到序列模型的模型。

    Jun, 2018

  • 对话转行动：通过动作级别生成构建面向任务的对话系统

    提出了一种基于行动级别生成的任务导向对话系统，采用基于序列到序列模型的方法，将大规模对话中的每个自然语言响应表示为一系列对话行动，并将其转换为语音响应，实现了控制能力和效率之间的平衡。

    Apr, 2023