基于意图驱动的少样本对话状态跟踪中的情境学习
计算与语言
2024-12-05 v1 人工智能
摘要
对话状态跟踪 (DST) 在任务导向对话系统中发挥着 essential 作用。然而,用户输入可能包含隐式信息,这为 DST 任务提出了重大挑战。此外,DST 数据包含复杂信息,不仅包含大量与当前轮次无关的噪声,还使构建 DST 数据集成本高昂。为此,我们提出一种意图驱动的少样本对话状态跟踪方法 (IDIC-DST)。通过提取用户意图,我们提出了意图驱动的对话信息增强模块,以增强对话信息,从而更有效地跟踪对话状态。此外,我们掩码 DST 数据中的噪声信息,并在意图驱动的示例检索模块中重写用户输入,其中检索相似示例。随后,我们利用增强的对话信息和示例,使用预训练的大型语言模型更新对话状态。实验结果表明,IDIC-DST 在 MultiWOZ 2.1 和 MultiWOZ 2.4 数据集上的少样本设置下实现了最先进的性能。
引用
@article{arxiv.2412.03270,
title = {Intent-driven In-context Learning for Few-shot Dialogue State Tracking},
author = {Zihao Yi and Zhe Xu and Ying Shen},
journal= {arXiv preprint arXiv:2412.03270},
year = {2024}
}