面向多领域端到端任务型对话的动态融合网络
计算与语言
2020-06-12 v3
摘要
近期的研究在端到端任务型对话系统方面取得了显著成功。然而，大多数神经模型依赖大量训练数据，而这些数据仅适用于特定数量的任务领域，如导航和调度。这使得其难以扩展到标注数据有限的新领域。然而，关于如何有效利用所有领域的数据来提升各个领域及未见领域的性能，目前的研究相对较少。为此，我们研究了能够显式利用领域知识的方法，并引入了一个共享-私有网络来学习共享知识和特定知识。此外，我们提出了一种新颖的动态融合网络（DF-Net），能够自动利用目标领域与各个领域之间的相关性。结果表明，我们的模型在多领域对话上优于现有方法，达到了文献中的 SOTA。此外，在训练数据较少的情况下，我们通过平均超过先前最佳模型 13.9% 的表现展示了其可迁移性。
引用
@article{arxiv.2004.11019,
title = {Dynamic Fusion Network for Multi-Domain End-to-end Task-Oriented Dialog},
author = {Libo Qin and Xiao Xu and Wanxiang Che and Yue Zhang and Ting Liu},
journal= {arXiv preprint arXiv:2004.11019},
year = {2020}
}
备注
ACL2020