基于流程图支撑的任务型对话的端到端学习
计算与语言
2021-12-08 v2 机器学习
摘要
我们在任务型对话（TOD）的端到端学习中提出一个新问题，其中对话系统模拟一个故障排查代理，通过诊断用户的问题（例如汽车无法启动）来提供帮助。此类对话基于特定领域的流程图，代理应在对话过程中遵循该流程图。我们的任务为神经TOD带来了新的技术挑战，例如在没有显式标注的情况下将话语定位到流程图、在用户提出澄清问题时引用额外的手册页面，以及能够在测试时遵循未见的流程图。我们发布了一个数据集（FloDial），包含基于12个不同故障排查流程图的2738段对话。我们还设计了一个神经模型FloNet，其使用检索增强生成架构来训练对话代理。我们的实验发现FloNet能够对未见流程图进行零样本迁移，并为未来研究设立了强基线。
引用
@article{arxiv.2109.07263,
title = {End-to-End Learning of Flowchart Grounded Task-Oriented Dialogs},
author = {Dinesh Raghu and Shantanu Agarwal and Sachindra Joshi and Mausam},
journal= {arXiv preprint arXiv:2109.07263},
year = {2021}
}
备注
This is a Post-EMNLP Version that contains results on the new hidden test set. D.Raghu and S.Agarwal contributed equally to this work