用于增强任务型对话状态跟踪的 N-Shot 学习
计算与语言
2022-03-23 v4
摘要
尽管任务型对话具有丰富标注的结构，其数据增强却一直沿用纯文本的标准方法，如回译、词级操纵和复述。本文提出一种增强框架，利用信念状态标注以自底向上的方式匹配来自不同对话的轮次并构建新的合成对话。与其他增强策略不同，它仅需少至五个示例即可运作。在采用 TRADE 和 TOD-BERT 模型的评估中，无论是将 DST 模型适配到新领域，还是将语言模型适配到 DST 任务，我们的增强策略都带来了显著提升。进一步分析表明，我们的模型在训练期间见过的值上表现更好，并且对未见过的值也更鲁棒。我们得出结论：利用信念状态标注可增强对话增强，并在 n-shot 训练场景下得到改进模型。
引用
@article{arxiv.2103.00293,
title = {N-Shot Learning for Augmenting Task-Oriented Dialogue State Tracking},
author = {Taha Aksu and Zhengyuan Liu and Min-Yen Kan and Nancy F. Chen},
journal= {arXiv preprint arXiv:2103.00293},
year = {2022}
}
备注
Accepted by ACL 2022 Findings