面向语言理解与对话状态跟踪联合的多任务学习
计算与语言
2018-11-14 v1
摘要
本文提出了一种在任务型对话系统中对语言理解（LU）与对话状态跟踪（DST）进行多任务学习的新方法。多任务训练使得负责为 LU 与 DST 编码用户话语的神经网络层得以共享，并在减少网络参数数量的同时提升性能。在我们提出的框架中，DST 对迄今已提及的每个槽的一组候选值进行操作。这些候选集利用当前用户话语的 LU 槽标注、对应于前一系统话语的对话行为以及前一回合估计的对话状态生成，使 DST 能够处理具有大量或无界可能值集合的槽，并应对训练期间未见的槽值。此外，为弥合训练与推断之间的差距，我们研究了在 LU 当前用户话语输出以及前一回合 DST 输出上使用 scheduled sampling（课程采样）。
引用
@article{arxiv.1811.05408,
title = {Multi-task learning for Joint Language Understanding and Dialogue State Tracking},
author = {Abhinav Rastogi and Raghav Gupta and Dilek Hakkani-Tur},
journal= {arXiv preprint arXiv:1811.05408},
year = {2018}
}
备注
Published at SIGdial 2018; 9 pages