端到端任务型对话系统数据增强方法的比较

创建有效且可靠的任务型对话系统 (ToDS) 具有挑战性，这不仅是因为这些系统的复杂结构，还因为训练数据的稀缺性，尤其是在需要分别训练多个模块，每个模块都有其自己的输入/输出训练示例时。数据增强 (DA) 通过向训练数据添加合成训练示例，已在其他 NLP 系统中取得成功，但在 ToDS 中尚未得到广泛探索。我们在端到端 ToDS 设置中实证评估了 DA 方法的有效性，其中训练单个系统来处理从用户输入到系统输出的所有处理阶段。我们在两个数据集 (MultiWOZ, KVRET) 上使用两个 ToDS (UBAR, GALAXY) 进行了实验。我们考虑了三种类型的 DA 方法 (词级、句子级、对话级)，比较了在 ToDS 和其他 NLP 系统中显示出有前景结果的八种 DA 方法。我们表明，所有考虑的 DA 方法都是有益的，并重点介绍了最佳方法，同时为从业者提供了建议。我们还引入了一个更具挑战性的少样本跨领域 ToDS 设置，得出了类似的结论。