面向跨语言对话状态跟踪的多通道卷积神经网络
计算与语言
2017-01-24 v1 人工智能
机器学习
摘要
第五届对话状态跟踪挑战赛（Dialog State Tracking Challenge, DSTC5）引入了一种新的跨语言对话状态跟踪场景，要求参与者基于英文训练语料构建跟踪器，同时使用无标注的中文语料对其进行评估。尽管数据集中提供了英文和中文语料的计算机生成翻译，但这些翻译包含错误，粗心地使用它们很容易损害所构建跟踪器的性能。为解决此问题，我们提出了一种多通道卷积神经网络（Convolutional Neural Networks, CNN）架构，其中我们将英文和中文视为单一 CNN 模型的不同输入通道。在 DSTC5 的评估中，我们发现这种多通道架构能有效提升对翻译错误的鲁棒性。此外，我们针对 DSTC5 的方法纯粹基于机器学习，且不需要关于目标语言的先验知识。我们认为这是在跨语言背景下构建跟踪器的一个理想特性，因为并非每位开发者都熟悉两种语言。
引用
@article{arxiv.1701.06247,
title = {A Multichannel Convolutional Neural Network For Cross-language Dialog State Tracking},
author = {Hongjie Shi and Takashi Ushio and Mitsuru Endo and Katsuyoshi Yamagami and Noriaki Horii},
journal= {arXiv preprint arXiv:1701.06247},
year = {2017}
}
备注
Copyright 2016 IEEE. Published in the 2016 IEEE Workshop on Spoken Language Technology (SLT 2016)