基于元学习的少样本对话状态跟踪
计算与语言
2021-04-06 v3
摘要
对话状态跟踪（DST）构成了面向特定目标（如酒店、出租车预订、旅游信息等）的自动化基于聊天机器人系统的核心组件。随着在新领域部署此类系统的需求增长，解决零样本/少样本 DST 问题变得必要。将知识从资源丰富领域迁移至未知领域且对额外数据需求极小的趋势正在上升。在本工作中，我们探索元学习算法用于此种迁移的优势，并因此提出一种针对 DST 问题的元学习器 D-REPTILE。通过大量实验，我们提供了清晰的证据，表明在不同领域、方法、基模型和数据集上相较常规方法具有优势，在低数据设置下较基线有显著（5-25%）提升。我们提出的元学习器与底层模型无关，因此任何现有的最先进 DST 系统均可利用我们的训练策略提升其在未知领域的性能。
引用
@article{arxiv.2101.06779,
title = {Few Shot Dialogue State Tracking using Meta-learning},
author = {Saket Dingliwal and Bill Gao and Sanchit Agarwal and Chien-Wei Lin and Tagyoung Chung and Dilek Hakkani-Tur},
journal= {arXiv preprint arXiv:2101.06779},
year = {2021}
}
备注
To appear in EACL 2021