用于对话状态跟踪的拷贝增强异构信息学习
计算与语言
2019-08-22 v1
摘要
对话状态跟踪（DST）是任务型对话系统的关键组件，用于在每一对话轮次估计用户目标。然而，以往大多数方法通常存在以下问题。许多判别模型，尤其是端到端（E2E）模型，难以抽取候选本体之外的未知值；以往的生成模型虽可从话语中抽取未知值，却因忽略预定义本体的语义信息而性能下降。此外，以往的生成模型通常需要手工列表来规范化生成的值。如何融合预定义本体与对话文本（异构文本）的语义信息以生成未知值并提升性能，成为一个严峻挑战。本文提出一种用于 DST 的拷贝增强异构信息学习模型（CEDST），采用多编码器-解码器结构，可通过从异构文本中拷贝值来有效生成包括未知值在内的所有可能值。同时，CEDST 可通过多编码器将大状态空间分解为若干小状态空间，并采用多解码器充分利用缩减后的空间生成值。多编码器-解码器架构可显著提升性能。实验表明，CEDST 在两个数据集及我们构建的含大量未知值的数据集上均取得了最先进（state-of-the-art）结果。
引用
@article{arxiv.1908.07705,
title = {Copy-Enhanced Heterogeneous Information Learning for Dialogue State Tracking},
author = {Qingbin Liu and Shizhu He and Kang Liu and Shengping Liu and Jun Zhao},
journal= {arXiv preprint arXiv:1908.07705},
year = {2019}
}
备注
12 pages, 4 figures