- ACL多样化的检索增强背景学习用于对话状态跟踪
本文提出了 RefPyDST,在零和少样本学习中通过将 DST 作为 Python 编程任务明确地建模语言交替参考,通过检索一组相关性更强的例子来提高性能,并在解码期间引入一种新颖的重新加权方法以获取更精确的对话状态预测,从而在 Multi - EmoWOZ 情感检测中数据划分的重新评估
本文介绍 EmoWoz 数据集,提出一种基于情感标签的分层抽样方案来解决情感 Woz 数据集的分布措施问题,使得建立在此数据集上的模型能够更好地发挥效果,训练出具备情感智能的对话系统。
- AAAI对话状态跟踪的交互槽对比学习对话状态蒸馏网络
本文提出一种 Dialogue State Distillation Network(DSDN)用于进行任务导向的对话系统中的 Dialogue State Tracking(DST),并且在 MultiWOZ 2.0 和 MultiWOZ - ACL任务型对话系统中的上下文动态提示响应生成
本文通过使用 context 动态提示的方法,改善了在多轮任务指向对话系统中的通用响应生成。在 MultiWOZ 2.2 数据集上验证后,相较于仅进行的前缀手段,综合值得分提高了 3 个绝对点,同时还将状态对话的提升幅度加大了 20 个绝对 - MoNET: 通过噪声增强训练来应对对话状态跟踪中的状态动量
本文提出了 MoNET 以通过噪声增强训练,解决对话状态跟踪中的状态惯性问题。MoNET 在 MultiWOZ 数据集上的实验结果表明其胜过以往的 DST 方法,并且通过对比上下文匹配框架,缩小状态和相应噪声版本的表示距离,从而减少噪声的影 - ACLCSS: 结合自训练与自监督学习进行少样本对话状态跟踪
本文提出了一种名为 CSS 的少样本对话状态追踪 (DST) 框架,其将自我训练和自我监督学习方法相结合,并将 DST 任务的未标记数据并入到自我训练迭代中。同时使用对比自我监督方法来学习更好的表示,该方法通过 dropout 操作扩充数据 - UBARv2:针对任务导向对话的减轻暴露偏差
本研究提出一种解决任务型对话系统中曝光偏差问题的方法,通过采用会话级别的采样和基于 dropout 的一致性正则化来提高模型的鲁棒性和性能, 并在 MultiWOZ 基准测试上取得了最先进的性能。
- DSTEA: 带实体自适应预训练的对话状态追踪
本文提出了 Dialogue State Tracking with Entity Adaptive Pre-training (DSTEA) 方法,其通过选择性知识掩蔽使模型更好地训练,从而在 MultiWOZ 2.0, 2.1, and - 任务导向的对话数据集并非对话型的!
本文通过分类对话和上下文效果,分析 MultiWOZ,SGD 和 SMCalFlow 等最近和广泛使用的任务型对话数据集,发现少于 4%的 MultiWOZ 的句子和 10%的 SGD 的句子具有对话效果,而 SMCalFlow 在其当前版 - IJCAI通过继承提及插槽池中的插槽值来跟踪对话状态
该研究设计了一个具有提及的插槽池(MSP)的模型来解决对话状态跟踪中的更新问题。MSP 是记录可能被继承的所有提及插槽值的插槽特定内存,我们的模型根据 MSP 和对话上下文更新插槽值。实验结果表明,该模型在 MultiWOZ 2.1 和 2 - EMNLP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。
- ACL通过本地可靠性验证的双插槽选择器用于对话状态跟踪
提出了一种两阶段 DSS-DST 方法,其中包括基于当前回合对话的双槽选择器与基于对话历史的槽值生成器,并在 MultiWOZ 2.0,2.1 和 2.2 数据集上实现了最新的最优性能。
- ACL蓝度的层次,成功的风味:MultiWOZ 案例研究
这篇文章讨论了在使用 Bule 和 Inform & Success 评价指标时,常用于对话系统任务中的 MultiWOZ 数据集进行预处理和报告数据时的不一致性问题,并提供了标准评价脚本和基本建议。
- ACL检索与记忆:使用多动作记忆的对话策略学习
本研究提出了一种 “检索和记忆” 框架,该框架首先使用神经上下文感知检索模块从训练集中检索多个候选系统操作,然后使用存储增强的多解码器网络在候选操作的条件下生成系统操作的方法,该方法能降噪自适应选择候选操作中的关键信息。实验表明该方法在上下 - MultiWOZ 中的注释不一致性和实体偏倚
本研究针对 MultiWOZ 数据集中 Dialog State Tracking (DST) 这一任务的注释一致性问题进行了研究,并提出了一种自动的纠正方法,通过该方法可以在数据集上进行 7-10%的 JGA 增强。此外,还检测到数据集中 - MultiWOZ 2.4: 一个包含必要注释更正的多领域任务导向对话数据集,以改进状态追踪评估
本文介绍了 MultiWOZ 2.4,它在 MultiWOZ 2.1 的验证集和测试集中改进了注释,并在此数据集上基于八个最先进的对话状态跟踪模型进行了评测,所有这些模型的表现均比 MultiWOZ 2.1 优异。
- EMNLP从指令学习生成对话:使用模拟聊天构建对话系统
使用预训练语言模型 GPT2 创建用户机器人和代理机器人来模拟任务对话,从而提高少量样本场景下的数据生成策略的效率。在 MultiWOZ 数据集和 Persona 聊天数据集上的实验结果表明,使用模拟数据能够显著提高模型性能.
- EMNLP明确动作学习:通用性和可解释的对话生成
本研究提出了一种无监督的方法,旨在将用户话语映射成一段词组的自然语言行为,从而优化任务完成和语言质量。该方法通过经验性学习得到一个能够将系统话语总结成一个简短词组的记忆组件,以促进紧凑的行为表示,并进一步通过辅助任务优化智能对话系统的自动化 - 从机器阅读理解到对话状态跟踪:架起桥梁
利用机器阅读理解(RC)方法在对话状态跟踪中,针对模型架构和数据集两个方面进行改进并应用到多种领域,实现了很好的跨领域通用性,并在少数据情形下(few-shot scenarios)表现出了更好的性能,即便在零状态跟踪数据下(zero-sh - 带语义脚手架的抽象对话摘要
本文提出了一种基于 MultiWOZ 数据集的抽象对话总结数据集和一种名为 Scaffold Pointer Network (SPNet) 的抽象对话总结模型,并提出了一种新的评估度量标准考虑了关键信息实体。在所有自动和人工评估指标上,S