以候选选择作为知识的选择融合零样本对话状态跟踪
计算与语言
2023-02-28 v1
摘要
随着以更低成本在新领域部署对话系统的迫切需求，零样本对话状态跟踪（DST）因能在无需于目标领域训练的情况下跟踪任务型对话中用户的需求而日益受到关注。尽管已有工作利用问答（QA）数据来降低DST对领域内训练的需求，但它们未能显式地对用于跟踪对话状态的知识迁移与融合进行建模。为解决此问题，我们提出CoFunDST，其在领域无关的QA数据集上训练，并基于T5预训练语言模型，直接将槽值候选选择作为知识用于零样本对话状态生成。具体而言，CoFunDST筛选与参考上下文高度相关的选择，并将其融合以初始化解码器来约束模型输出。我们的实验结果表明，在MultiWOZ 2.1上，相较于现有零样本DST方法，我们所提模型在大多数领域取得了更优的联合目标准确率。大量分析证明了我们所提方法对于从QA改进零样本DST学习的有效性。
引用
@article{arxiv.2302.13013,
title = {Choice Fusion as Knowledge for Zero-Shot Dialogue State Tracking},
author = {Ruolin Su and Jingfeng Yang and Ting-Wei Wu and Biing-Hwang Juang},
journal= {arXiv preprint arXiv:2302.13013},
year = {2023}
}
备注
Accepted by ICASSP 2023