DKAF：面向含对话-知识库不一致数据的任务型对话系统学习的知识库仲裁框架
计算与语言
2023-05-29 v1
摘要
任务型对话（TOD）智能体通常将其回复基于外部知识库（KBs）。这些知识库可能是动态的并频繁更新。现有的TOD智能体学习方法假设训练时可用与每轮独立对话同时期的知识库快照。然而，在真实场景中，训练时仅可用最新的知识库快照，因此训练对话可能包含与最新知识库冲突的事实。训练数据中的这些对话-知识库不一致可能会混淆TOD智能体学习算法。本工作中，我们定义了利用含对话-知识库不一致的训练数据学习TOD智能体的新问题。我们提出对话-知识库仲裁框架（DKAF），通过预测每轮训练对话的同期知识库快照来减少对话-知识库不一致。这些预测的知识库快照随后用于训练下游TOD智能体。由于现有数据集中没有含对话-知识库不一致的数据，我们在两个公开可用的对话数据集中系统性地引入了不一致。我们表明，用DKAF训练的TOD智能体在这两个数据集上均优于现有基线。
引用
@article{arxiv.2305.16697,
title = {DKAF: KB Arbitration for Learning Task-Oriented Dialog Systems with Dialog-KB Inconsistencies},
author = {Vishal Vivek Saley and Rocktim Jyoti Das and Dinesh Raghu and Mausam},
journal= {arXiv preprint arXiv:2305.16697},
year = {2023}
}