用于口语对话系统基于语料库策略优化的神经用户模拟器
计算与语言
2018-05-21 v1 人工智能
机器学习
摘要
用户模拟器是能够实现面向任务的对话系统离线训练的主要工具之一。对于该任务，常使用基于议程的用户模拟器（ABUS）。ABUS 基于手工规则且其输出为语义形式。这两种特性引发了诸多问题，例如多样性有限以及无法与文本级信念跟踪器对接。本文介绍了神经用户模拟器（NUS），其行为从语料库中学习并生成自然语言，因此比生成语义输出的模拟器需要更少的标注数据集。与以往许多基于语料库指标评估用户模拟器的工作不同，我们使用 NUS 来训练基于强化学习的口语对话系统的策略。我们通过评估使用各模拟器训练得到的策略，将 NUS 与 ABUS 进行比较。进行了跨模型评估，即在一种模拟器上训练而在另一种上测试。此外，训练得到的策略在真实用户上进行了测试。在这两项评估任务中，NUS 均优于 ABUS。
引用
@article{arxiv.1805.06966,
title = {Neural User Simulation for Corpus-based Policy Optimisation for Spoken Dialogue Systems},
author = {Florian Kreyssig and Inigo Casanueva and Pawel Budzianowski and Milica Gasic},
journal= {arXiv preprint arXiv:1805.06966},
year = {2018}
}
备注
Accepted to SIGDIAL 2018