面向对话状态跟踪的多样化检索增强上下文学习
计算与语言
2023-07-06 v1
摘要
由于收集和标注任务型对话的成本高昂，对话状态跟踪（DST）的零样本与少样本学习受到了显著关注。近期工作表明，上下文学习仅需极少数据且零参数更新，甚至在少样本设定下优于经训练的方法（Hu 等人，2022）。我们提出 RefPyDST，通过对 DST 的上下文学习作出三项改进来推进当前最优水平。首先，我们将 DST 表述为 Python 编程任务，显式地将语言共指建模为 Python 中的变量引用。其次，由于上下文学习高度依赖于上下文示例，我们提出一种检索多样化相关示例的方法以提升性能。最后，我们在解码时引入一种考虑竞争表层形式概率的新型重加权方法，从而产生更准确的对话状态预测。我们使用 MultiWOZ 评估了我们的方法，并在零样本和少样本设定下取得了最优的多域联合目标准确率。
引用
@article{arxiv.2307.01453,
title = {Diverse Retrieval-Augmented In-Context Learning for Dialogue State Tracking},
author = {Brendan King and Jeffrey Flanigan},
journal= {arXiv preprint arXiv:2307.01453},
year = {2023}
}
备注
14 pages, 2 figures, to appear in Findings of the ACL 2023