门控机制增强的多任务学习用于对话路由
计算与语言
2023-04-10 v1
摘要
当前，人-机共生对话系统（如电子商务中的售前与售后）无处不在，对话路由组件对于提升整体效率、降低人力资源成本并改善用户体验至关重要。尽管多数现有方法能满足该需求，但它们仅能建模单源对话数据，无法有效捕捉数据间及子任务间关系的底层知识。本文通过深入挖掘各类对话数据中数据到任务及任务到任务的知识，研究这一重要问题。为实现上述目标，我们提出一种门控机制增强的多任务模型（G3M），具体包含一种新颖的对话编码器与两个定制门控机制模块。所提方法可起到分层信息过滤的作用，且对现有对话系统无侵入性。基于从真实世界应用收集的两个数据集，大量实验结果证明了我们方法的有效性，其在 RMSE 指标上提升 8.7%/11.8%、在 F1 指标上提升 2.2%/4.4%，取得了最先进（SOTA）性能。
引用
@article{arxiv.2304.03730,
title = {Gated Mechanism Enhanced Multi-Task Learning for Dialog Routing},
author = {Ziming Huang and Zhuoxuan Jiang and Ke Wang and Juntao Li and Shanshan Feng and Xian-Ling Mao},
journal= {arXiv preprint arXiv:2304.03730},
year = {2023}
}
备注
Accepted by COLING'22(Oral)