从机器阅读理解到对话状态追踪：弥合鸿沟
计算与语言
2020-04-14 v1 人工智能
机器学习
摘要
对话状态追踪（DST）是任务型对话系统的核心。然而，标注数据的稀缺是构建跨多种领域准确且鲁棒的状态追踪系统的障碍。现有方法通常需要一些带状态信息的对话数据，且其泛化到未知领域的能力有限。在本文中，我们从模型架构与数据集两个角度提出在状态追踪中使用机器阅读理解（RC）。我们将对话状态中的槽类型划分为类别型或抽取型，以借鉴多选与基于跨度的阅读理解模型二者的优势。在给定完整训练数据时，我们的方法在 MultiWOZ 2.1 的联合目标准确率上接近当前最优水平。更重要的是，通过利用机器阅读理解数据集，在领域内数据有限的少样本场景下，我们的方法以很大优势超越现有方法。最后，即便没有任何状态追踪数据，即零样本场景，我们所提方法在 MultiWOZ 2.1 的 30 个槽中的 12 个上取得了大于 90% 的平均槽准确率。
引用
@article{arxiv.2004.05827,
title = {From Machine Reading Comprehension to Dialogue State Tracking: Bridging the Gap},
author = {Shuyang Gao and Sanchit Agarwal and Tagyoung Chung and Di Jin and Dilek Hakkani-Tur},
journal= {arXiv preprint arXiv:2004.05827},
year = {2020}
}