NeuralWOZ:基于模型仿真学习任务型对话的收集方法
计算与语言
2021-06-01 v1
摘要
我们提出NeuralWOZ,一种利用基于模型的对话仿真的新型对话收集框架。NeuralWOZ包含两个流水线模型:Collector和Labeler。Collector根据(1)用户目标指令(以自然语言表述的用户上下文与任务约束)和(2)系统的API调用结果(来自给定知识库的用户请求可能查询响应列表)生成对话。Labeler通过将标注构建为多项选择问题来标注生成的对话,其中候选标签从目标指令和API调用结果中抽取。我们展示了所提方法在对话状态跟踪的零样本域迁移学习中的有效性。在评估中,由NeuralWOZ生成的合成对话语料库取得了新的最优结果,跨域平均联合目标准确率提升4.4个百分点,相对于MultiWOZ 2.1数据集的零样本覆盖率提升5.7个百分点。
引用
@article{arxiv.2105.14454,
title = {NeuralWOZ: Learning to Collect Task-Oriented Dialogue via Model-Based Simulation},
author = {Sungdong Kim and Minsuk Chang and Sang-Woo Lee},
journal= {arXiv preprint arXiv:2105.14454},
year = {2021}
}
备注
Accepted to ACL 2021 as a long paper