关键词zero-shot dialogue state tracking
搜索结果 - 5
- 利用多样数据生成实现可调适的零样本对话状态追踪
通过增加使用合成数据生成技术来提高零 - shot 对话状态追踪（DST）准确性的多样性的训练数据，本研究证明了可实现的巨大收益。该研究通过使用一种新颖的全自动数据生成方法来创建合成的零 - shot DST 训练资源，克服了当前 DST - COLINGMoPE：无监督会话状态跟踪的前缀专家混合模型
提议使用前缀专家混合（MoPE）建立不同领域中类似插槽之间的联系，从而增强零样本对话状态跟踪（DST）模型在未见领域中的迁移性能，实证结果表明 MoPE-DST 在 MultiWOZ2.1 上达到 57.13% 的联合目标精度和在 SGD - UNO-DST: 利用无标签数据进行零样本对话状态跟踪
我们将零样本对话状态跟踪转化为少样本对话状态跟踪，通过联合和自我训练方法利用目标域中的无标签数据。该方法通过辅助任务生成槽类型作为主要任务的逆提示，在联合训练期间创建槽值。这两个任务之间的循环一致性使得能够生成和选择未知目标域中的高质量样本 - EMNLP零样本对话状态跟踪的复杂更新策略的大型语言模型语义解析
通过语义解析将原始对话文本转换为 JSON，使用大型语言模型和更多模块来实现更新策略，提出一种新的上下文学习方法 ParsingDST，通过引入复杂的更新策略改进了零样本对话状态跟踪 (DST)，在 MultiWOZ 数据集上优于现有的方法 - 选择融合作为零样本对话状态跟踪的知识
本研究提出 CoFunDST，使用域不可知的 QA 数据集培训，通过 T5 预训练语言模型基于候选选项直接生成零样本对话状态。与现有的零样本 DST 方法相比，在 MultiWOZ 2.1 的大多数领域中，我们的模型具有更好的联合目标准确性