基于可微归纳逻辑编程的资源受限对话策略学习
计算与语言
2020-11-12 v1 人工智能
摘要
受资源受限对话策略学习需求的驱动，我们引入了基于可微归纳逻辑(DILOG)的对话策略。我们在 SimDial 和 MultiWoZ 上探索了 DILOG 的一次性学习与零样本域迁移任务。利用来自餐厅域的单个代表性对话，我们在 SimDial 数据集上训练 DILOG 并获得了 99% 以上的域内测试准确率。我们还展示了训练后的 DILOG 以零样本方式迁移至所有其他域且准确率达 99% 以上，证明了 DILOG 对槽填充对话的适用性。我们进一步将研究扩展至 MultiWoZ 数据集，取得了 90% 以上的 inform 与 success 指标。我们还观察到这些指标未能捕捉 DILOG 在假阳性方面的某些缺陷，促使我们度量一项辅助的 Action F1 分数。我们表明，在 MultiWoZ 上 DILOG 的数据效率比最先进的神经方法高 100 倍，同时取得相似的性能指标。最后我们讨论了 DILOG 的优缺点。
引用
@article{arxiv.2011.05457,
title = {Resource Constrained Dialog Policy Learning via Differentiable Inductive Logic Programming},
author = {Zhenpeng Zhou and Ahmad Beirami and Paul Crook and Pararth Shah and Rajen Subba and Alborz Geramifard},
journal= {arXiv preprint arXiv:2011.05457},
year = {2020}
}