基于状态图的多领域对话状态跟踪

我们研究了具有开放词表的跨领域对话状态跟踪（DST）问题，其目标是从对话中提取状态。现有方法通常将先前的对话状态与对话历史拼接作为双向 Transformer 编码器的输入，依赖 Transformer 的自注意力机制来连接其中的词元。然而，注意力可能关注到虚假连接，导致错误推断。本文提出构建对话状态图，其中来自先前对话状态的领域、槽位和取值被恰当地连接起来。通过训练，图节点和边嵌入能够编码领域-领域、槽位-槽位和领域-槽位之间的共现关系，反映通用对话中的强转移路径。该状态图经关系图卷积网络（relational-GCN）编码后，融合进 Transformer 编码器。实验结果表明，我们的方法在该任务上取得了新的最优性能（state of the art），且保持高效，优于现有的开放词表 DST 方法。