一种用于未见槽值对话状态跟踪的鲁棒数据驱动方法
计算与语言
2019-11-04 v1
摘要
对话状态跟踪器是对话系统中的关键组件，用于估计每一对话轮次中可能的用户目标信念。使用循环神经网络的深度学习方法已在对话状态跟踪任务上展现出最优性能。一般而言，这些方法假定一个预定义的候选列表，并难以预测任何训练期间未出现的对话状态新值。这使得在不重新训练模型的情况下扩展某个槽的候选列表不可行，且在训练槽值数据昂贵的低资源领域建模中存在局限。本文提出一种基于拷贝机制的新型对话状态跟踪器，可有效跟踪此类未见槽值，且不损害对训练中所见槽值的性能。所提模型在扩展候选列表时亦具灵活性，无需任何重训练或模型改动。我们在多个基准数据集（DSTC2、DSTC3 与 WoZ2.0）上评估该模型，表明我们的方法在跟踪未见槽值上优于其他端到端数据驱动方法，并为 DST（对话状态跟踪）建模带来显著优势。
引用
@article{arxiv.1911.00269,
title = {A Robust Data-Driven Approach for Dialogue State Tracking of Unseen Slot Values},
author = {Vevake Balaraman and Bernardo Magnini},
journal= {arXiv preprint arXiv:1911.00269},
year = {2019}
}