HyST：一种用于灵活且准确的对话状态跟踪的混合方法
计算与语言
2019-07-02 v1 人工智能
摘要
近期基于端到端可训练神经网络的方法在对话状态跟踪上取得了最先进的成果。性能最佳的方法估计所有可能出现槽值的概率分布。然而，这些方法难以扩展到真实应用中常见的大规模值集合，且不适合跟踪训练集中未出现的槽值。为解决这些问题，已有研究提出基于候选值生成的方法。这些方法根据对话历史和/或语言理解输出估计每轮可能出现的值集合，从而能够跟踪未出现的值和大规模值集合，但在性能上不如第一类方法。本文分析了这两类对话状态跟踪方法的性能，并提出一种混合方法（HyST），其为每种槽类型学习合适的方法。为展示 HyST 在丰富槽类型上的有效性，我们在最近发布的 MultiWOZ-2.0 多领域任务型对话数据集上进行了实验。实验表明 HyST 可扩展到多领域应用。我们性能最佳的模型相较先前 SOTA 和我们的基准最佳模型分别实现了 24% 和 10% 的相对提升。
引用
@article{arxiv.1907.00883,
title = {HyST: A Hybrid Approach for Flexible and Accurate Dialogue State Tracking},
author = {Rahul Goel and Shachi Paul and Dilek Hakkani-Tür},
journal= {arXiv preprint arXiv:1907.00883},
year = {2019}
}
备注
Interspeech 2019