通过动态随机状态演化表示对话系统及基于熵的对话管理的概率框架
人工智能
2015-04-28 v1
摘要
本文提出一种面向目标驱动的口语对话系统的概率框架。随后定义一种新的动态随机状态（DS-state）以表征对话过程不同阶段中对话状态的目标集合。此外，提出一种熵最小化对话管理（EMDM）策略，与 DS-state 结合以促进鲁棒且高效地达成用户目标。一项歌曲点播（Song-On-Demand）任务，包含共计 38117 首歌曲及每首歌曲对应的 12 个属性，被用于测试所提方法的性能。在理想仿真（假设无错误）中，EMDM 策略是所有被测方法中最高效的寻优方法，平均 3.3 个对话轮次内返回正确歌曲。进一步，在实际场景中，利用前五位候选来处理不可避免的自动语音识别（ASR）与自然语言理解（NLU）错误，结果表明当系统随机提问时，仅 61.7\% 的对话目标可在平均 6.23 轮内成功获取；而若采用所提 EMDM 策略在每个 DS-state 执行、并用来自 SLU 输出的前 5 候选更新所提 DS-states，则能有效在平均 5.17 轮内实现 86.7\% 的对话成功率。我们还证明基于熵的 DM 策略优于非基于熵的 DM。此外，在 EMDM 中使用目标集合分布的结果优于不使用的情况，例如 sate-of-the-art 数据库摘要 DM。
引用
@article{arxiv.1504.07182,
title = {A Probabilistic Framework for Representing Dialog Systems and Entropy-Based Dialog Management through Dynamic Stochastic State Evolution},
author = {Ji Wu and Miao Li and Chin-Hui Lee},
journal= {arXiv preprint arXiv:1504.07182},
year = {2015}
}
备注
10 pages, 6 figures, 6 tables,