混合代码网络：结合监督与强化学习的实用高效端到端对话控制
人工智能
2017-04-25 v2 计算与语言
摘要
端到端循环神经网络（RNNs）学习是对话系统的一个有吸引力的解决方案；然而，当前技术数据密集，需要数千次对话才能学习简单行为。我们提出混合代码网络（HCNs），它将RNN与编码为软件和系统动作模板的领域特定知识相结合。与现有端到端方法相比，HCNs显著减少了所需的训练数据量，同时保留了推断对话状态潜在表示的关键优势。此外，HCNs可通过监督学习、强化学习或两者混合进行优化。HCNs在bAbI对话数据集上达到了最先进的性能，并优于两个已商业部署的面向客户的对话系统。
引用
@article{arxiv.1702.03274,
title = {Hybrid Code Networks: practical and efficient end-to-end dialog control with supervised and reinforcement learning},
author = {Jason D. Williams and Kavosh Asadi and Geoffrey Zweig},
journal= {arXiv preprint arXiv:1702.03274},
year = {2017}
}
备注
Accepted as a long paper for the 55th Annual Meeting of the Association for Computational Linguistics (ACL 2017)