关键词multi-domain dialogue state tracking
搜索结果 - 5
- 评估基于任务的对话系统在口语交流中的鲁棒性:“你有多强大?
研究口语任务导向对话状态跟踪和基于知识的对话建模,提出使用已有数据集不足的问题,借助 n-best 语音识别假设,改善任务绩效,并说明现有模型在口语数据方面存在不足,研究结果呈现有利于基于语音的任务导向对话系统的基准测试数据集。
- 对话状态跟踪中联合优化状态操作预测和值生成
本文提出了一种基于 Transformer 的框架,将 BERT 作为编码器和解码器,通过共同优化操作预测目标和值生成目标来实现多领域对话状态跟踪,同时重复使用编码器的隐藏状态构建平面编码器 - 解码器架构来实现有效的参数更新,实验表明我们 - 基于状态图的跨领域对话状态跟踪
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。
- ACL使用合成数据进行零样本迁移学习的多领域对话状态跟踪
本文提出了一种采用零样本迁移学习的技术,通过从域本体和抽象对话模型中合成所有域内训练数据,对多域对话状态跟踪进行了改进,表明对话状态跟踪中的数据增强可以提高 TRADE 模型和基于 BERT 的 SUMBT 模型在 MultiWOZ2.1 - 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