基于 Transformer 的与领域无关的用户模拟用于任务型对话系统
计算与语言
2021-06-17 v1
摘要
通过强化学习进行对话策略优化需要大量训练交互，这使得与真实用户学习耗时且昂贵。因此许多设定依赖于用户模拟器而非人类。这些用户模拟器有其自身问题。虽然基于手工编码规则的用户模拟器已被证明在小型简单领域中足够，但对于复杂领域，规则数量迅速变得难以处理。另一方面，最先进的数据驱动用户模拟器仍是领域相关的。这意味着对每个新领域的适应都需要重新设计和重新训练。在这项工作中，我们提出一个与领域无关的基于 transformer 的用户模拟器（TUS）。我们的 TUS 结构不依赖于特定领域，从而实现领域泛化以及从数据中学习跨领域用户行为。我们使用自动以及人工评估将 TUS 与最先进水平进行比较。TUS 能在预定义领域上与基于规则的用户模拟器竞争，并能够以零样本方式泛化到未见过领域。
引用
@article{arxiv.2106.08838,
title = {Domain-independent User Simulation with Transformers for Task-oriented Dialogue Systems},
author = {Hsien-chin Lin and Nurul Lubis and Songbo Hu and Carel van Niekerk and Christian Geishauser and Michael Heck and Shutong Feng and Milica Gašić},
journal= {arXiv preprint arXiv:2106.08838},
year = {2021}
}