将多领域对话状态追踪建模为动态知识图谱增强的问答
计算与语言
2020-06-23 v2 人工智能
机器学习
机器学习
摘要
多领域对话状态追踪（DST）是对话式人工智能系统的关键组件。对话式人工智能系统的领域本体（即领域、槽位和取值的规范）通常是不完整的，这使得 DST 模型在推理时泛化到新槽位、新取值和新领域的能力变得至关重要。在本文中，我们提出将多领域 DST 建模为一个问答问题，称为通过问答的对话状态追踪（DSTQA）。在 DSTQA 中，每一轮生成一个询问（领域，槽位）对取值的问题，从而使其能自然地扩展到未见过的领域、槽位和取值。此外，我们使用一个动态演化的知识图谱来显式学习（领域，槽位）对之间的关系。我们的模型在 MultiWOZ 2.0 和 MultiWOZ 2.1 数据集上分别比当前最先进（state-of-the-art）模型有 5.80% 和 12.21% 的相对提升。此外，我们的模型在领域自适应设置中持续优于最先进模型。（代码发布于 https://github.com/alexa/dstqa ）
引用
@article{arxiv.1911.06192,
title = {Multi-domain Dialogue State Tracking as Dynamic Knowledge Graph Enhanced Question Answering},
author = {Li Zhou and Kevin Small},
journal= {arXiv preprint arXiv:1911.06192},
year = {2020}
}