基于槽间对比学习的对话状态蒸馏网络用于对话状态跟踪
计算与语言
2023-03-08 v2
摘要
在任务型对话系统中，对话状态跟踪（DST）旨在从对话历史中提取用户意图。当前，大多数现有方法存在错误传播问题，并且在使用先前对话状态时无法动态选择相关信息。此外，不同槽位更新之间的关系为DST提供了重要线索。然而，现有方法仅依赖预定义图来间接捕获这些关系。本文中，我们提出对话状态蒸馏网络（DSDN）以利用先前对话状态的相关信息，并弥合训练与测试之间利用的差距。因此，它可以动态利用先前对话状态并同时避免引入错误传播。进一步，我们提出槽间对比学习损失，以从对话上下文中有效捕获槽位共更新关系。在广泛使用的MultiWOZ 2.0和MultiWOZ 2.1数据集上进行了实验。实验结果表明，我们所提出的模型在DST上达到了最先进的性能。
引用
@article{arxiv.2302.08220,
title = {Dialogue State Distillation Network with Inter-slot Contrastive Learning for Dialogue State Tracking},
author = {Jing Xu and Dandan Song and Chong Liu and Siu Cheung Hui and Fei Li and Qiang Ju and Xiaonan He and Jian Xie},
journal= {arXiv preprint arXiv:2302.08220},
year = {2023}
}
备注
Accepted by AAAI 2023