自然语言理解与对话管理器的端到端联合学习
计算与语言
2017-10-03 v2 机器学习
摘要
自然语言理解和对话策略学习在对话系统中都是必不可少的，这些系统根据当前用户话语预测下一个系统动作。传统方法将自然语言理解（NLU）和系统动作预测（SAP）的独立模型聚合为流水线，该流水线对易出错的 NLU 的噪声输出敏感。为了解决这些问题，我们提出了一种具有有限上下文对话记忆的端到端深度循环神经网络，通过在 DSTC4 多领域人机对话上联合训练 NLU 和 SAP。实验表明，我们提出的模型在 NLU 和 SAP 两方面均显著优于最先进的流水线模型，这表明我们的联合模型能够减轻噪声 NLU 输出的影响，并且 NLU 模型可以通过从系统动作的额外监督信号反向传播的误差流进行优化。
引用
@article{arxiv.1612.00913,
title = {End-to-End Joint Learning of Natural Language Understanding and Dialogue Manager},
author = {Xuesong Yang and Yun-Nung Chen and Dilek Hakkani-Tur and Paul Crook and Xiujun Li and Jianfeng Gao and Li Deng},
journal= {arXiv preprint arXiv:1612.00913},
year = {2017}
}
备注
Accepted in The 42nd IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP2017)