面向低资源任务型对话系统的多联对偶学习
计算与语言
2023-05-26 v1
摘要
真实场景中的对话数据往往稀疏可得，导致端到端对话系统因数据匮乏而训练不充分。我们发现，在低资源场景下，通过挖掘不确定话语与确定对话状态之间的对齐信息可提升数据利用效率。因此，我们创新性地将对偶学习引入任务型对话，以利用异质数据间的相关性。此外，将一对一的对偶性转化为多联对偶性，以降低对偶训练中虚假相关性对泛化的影响。在不引入额外参数的情况下，我们的方法可应用于任意网络。大量实证分析表明，所提方法在多个基准下提升了端到端任务型对话系统的有效性，并在低资源场景中取得最优结果。
引用
@article{arxiv.2305.16106,
title = {Multijugate Dual Learning for Low-Resource Task-Oriented Dialogue System},
author = {Shimin Li and Xiaotian Zhang and Yanjun Zheng and Linyang Li and Xipeng Qiu},
journal= {arXiv preprint arXiv:2305.16106},
year = {2023}
}
备注
Accepted to Findings of ACL 2023