从真实用户学习：用于口语对话系统强化学习的神经网络对话成功评分
机器学习
2015-08-17 v1 计算与语言
摘要
训练统计口语对话系统（SDS）需要有准确的方法来衡量任务成功。迄今为止，训练依赖于向模拟或付费用户呈现任务，并通过观察该呈现任务是否完成来推断对话成功。然而，我们的目标是能够从按自己意愿行事的真实用户学习，这种情况下评分成功并非易事，因为关于任务的任何先验知识都不可得。可利用用户反馈但已发现其不一致。因此，我们在此提出两个神经网络模型，其评估一系列回合级特征以评定对话成功。重要的是，这些模型不使用任何关于用户任务的先验知识。模型在模拟用户生成的对话上训练，然后最佳模型用于在线训练策略，该策略被证明至少与使用用户任务先验知识的基线系统表现一样好。我们注意到这些模型对于评估 SDS 以及在基于规则的 SDS 中监控对话也应具有意义。
引用
@article{arxiv.1508.03386,
title = {Learning from Real Users: Rating Dialogue Success with Neural Networks for Reinforcement Learning in Spoken Dialogue Systems},
author = {Pei-Hao Su and David Vandyke and Milica Gasic and Dongho Kim and Nikola Mrksic and Tsung-Hsien Wen and Steve Young},
journal= {arXiv preprint arXiv:1508.03386},
year = {2015}
}
备注
Accepted for publication in INTERSPEECH 2015