以知识寻求轮次 grounded 描述驱动对话状态追踪器
计算与语言
2023-09-26 v1
摘要
模式引导的对话状态追踪器可在无需进一步训练的情况下泛化至新领域，但它们对模式的书写风格敏感。用人工或合成的模式释义扩充训练集可提升模型对这些变化的鲁棒性，但可能成本高昂或难以控制。我们提出通过将以知识寻求轮次（收集自对话语料库及模式）作为基础来规避这些问题，从而 grounded 状态追踪模型。在微调和推理的提示中包含这些轮次，可显著提升模型鲁棒性，如 SGD 和 SGD-X 上平均联合目标准确率和模式敏感性的大幅改善所示。
引用
@article{arxiv.2309.13448,
title = {Grounding Description-Driven Dialogue State Trackers with Knowledge-Seeking Turns},
author = {Alexandru Coca and Bo-Hsiang Tseng and Jinghong Chen and Weizhe Lin and Weixuan Zhang and Tisha Anders and Bill Byrne},
journal= {arXiv preprint arXiv:2309.13448},
year = {2023}
}
备注
Best Long Paper of SIGDIAL 2023