通过联合槽位建模改进对话状态跟踪
计算与语言
2021-11-16 v2 机器学习
摘要
对话状态跟踪模型在面向任务的对话系统中扮演着重要角色。然而，大多数模型在给定输入的条件下，对槽位类型进行条件独立建模。我们发现这可能导致模型被共享相同数据类型的槽位类型所混淆。为了缓解这一问题，我们提出了对槽位进行联合建模的 TripPy-MRF 和 TripPy-LSTM。我们的结果表明，它们能够缓解上述混淆，并将 MultiWoZ 2.1 数据集上的 SOTA 从 58.7 提升至 61.3。我们的实现可在 https://github.com/CTinRay/Trippy-Joint 获取。
引用
@article{arxiv.2109.14144,
title = {Improving Dialogue State Tracking by Joint Slot Modeling},
author = {Ting-Rui Chiang and Yi-Ting Yeh},
journal= {arXiv preprint arXiv:2109.14144},
year = {2021}
}
备注
Accepted to the 3rd Workshop on NLP for ConvAI in EMNLP 2021