采用时间表达网络的神经对话状态跟踪
计算与语言
2020-10-06 v2
摘要
对话状态跟踪（DST）是口语对话系统的重要部分。现有 DST 模型要么忽略跨对话轮次的时间特征依赖，要么未能显式建模对话中的时间状态依赖。本工作中，我们提出时间表达网络（TEN）以联合建模 DST 中两类时间依赖。TEN 模型利用了循环网络与概率图模型的能力。在标准数据集上的评估表明，TEN 在提升轮次级状态预测与状态聚合准确率方面是有效的。
引用
@article{arxiv.2009.07615,
title = {Neural Dialogue State Tracking with Temporally Expressive Networks},
author = {Junfan Chen and Richong Zhang and Yongyi Mao and Jie Xu},
journal= {arXiv preprint arXiv:2009.07615},
year = {2020}
}
备注
Accepted by Findings of EMNLP 2020