无标注数据的少样本对话生成：一种迁移学习方法
计算与语言
2019-08-19 v1
摘要
以最少数据学习是开发实用、可投产的面向目标对话系统的关键挑战之一。在真实世界企业环境中，对话系统被快速开发，并期望对不断增长的领域、产品和场景种类稳健工作，从有限示例中高效学习变得不可或缺。在本文中，我们引入一种技术在少样本设置下达到最先进的对话生成性能，且不使用任何标注数据。我们通过利用来自更大、表征更充分的对话源——即 MetaLWOz 数据集——的背景知识来实现这一点。我们在 Stanford Multi-Domain Dialogue Dataset 上评估我们的模型，该数据集包含车载导航、约会安排和天气信息领域的人-人面向目标对话。我们表明，我们的少样本方法在该数据集上通过以 BLEU 和 Entity F1 分数持续优于先前最佳模型，达到了最先进的结果，同时因不需要任何数据标注而更具数据效率。
引用
@article{arxiv.1908.05854,
title = {Few-Shot Dialogue Generation Without Annotated Data: A Transfer Learning Approach},
author = {Igor Shalyminov and Sungjin Lee and Arash Eshghi and Oliver Lemon},
journal= {arXiv preprint arXiv:1908.05854},
year = {2019}
}
备注
Accepted at SigDial 2019