全局-局部自注意力对话状态跟踪器
计算与语言
2018-09-10 v3 人工智能
摘要
对话状态跟踪旨在根据对话上下文估计用户目标与请求，是任务型对话系统的关键组成部分。本文中，我们提出全局-局部自注意力对话状态跟踪器（GLAD），其通过全局-局部模块学习用户话语与先前系统动作的表示。我们的模型使用全局模块在不同类型（称为槽位）的对话状态估计器间共享参数，并使用局部模块学习槽位特定特征。我们表明，这显著改善了对罕见状态的跟踪，并在 WoZ 与 DSTC2 状态跟踪任务上取得最先进性能。GLAD 在 WoZ 上获得 88.1% 联合目标准确率与 97.1% 请求准确率，分别超越先前工作 3.7% 与 5.5%。在 DSTC2 上，我们的模型获得 74.5% 联合目标准确率与 97.5% 请求准确率，分别超越先前工作 1.1% 与 1.0%。
引用
@article{arxiv.1805.09655,
title = {Global-Locally Self-Attentive Dialogue State Tracker},
author = {Victor Zhong and Caiming Xiong and Richard Socher},
journal= {arXiv preprint arXiv:1805.09655},
year = {2018}
}
备注
ACL 2018. 10 pages, 5 figures. Source code: https://github.com/salesforce/glad