学会聚焦：用于对话状态追踪的层次化动态复制网络
计算与语言
2021-07-27 v1 人工智能
摘要
近来，研究者们探索使用编码器-解码器框架来处理对话状态追踪（DST），这是任务导向对话系统的一个关键组成部分。然而，他们将多轮对话视为一个扁平序列，当序列较长时未能聚焦于有用信息。本文提出了一种层次化动态复制网络（HDCN），以促进聚焦于信息量最丰富的轮次，从而更容易从对话上下文中提取槽值。基于编码器-解码器框架，我们采用了一种层次化复制方法，在词级和轮级计算两个层次的注意力，然后将其重新归一化以获得最终的复制分布。引入一个聚焦损失项，以鼓励模型将最高的轮级注意力权重分配给信息量最丰富的轮次。实验结果表明，我们的模型在 MultiWOZ 2.1 数据集上达到了 46.76% 的联合准确率。
引用
@article{arxiv.2107.11778,
title = {Learn to Focus: Hierarchical Dynamic Copy Network for Dialogue State Tracking},
author = {Linhao Zhang and Houfeng Wang},
journal= {arXiv preprint arXiv:2107.11778},
year = {2021}
}