可扩展的神经对话状态跟踪
计算与语言
2019-10-23 v1
摘要
对话状态跟踪器(DST)是对话系统中的关键组件，旨在估计每个对话轮次中可能的用户目标的信念。当前大多数 DST 跟踪器利用循环神经网络，并基于管理对话多个方面的复杂架构，包括用户话语、系统动作以及领域本体中定义的槽值对。然而，此类神经架构的复杂性导致对话状态预测中存在相当大的延迟，这限制了模型在现实应用中的部署，特别是当任务可扩展性（即槽的数量）是关键因素时。本文提出一种创新的神经对话状态跟踪模型，称为全局编码器与槽注意力解码器(G-SAT)，其能以极低的延迟时间预测对话状态，同时保持高性能。我们在 WoZ2.0 数据集的三种不同语言（英语、意大利语和德语）上报告实验，并表明所提方法相较于最先进的 DST 系统在准确率和预测时间复杂度方面均具竞争优势，其预测速度比其他系统快15倍以上。
引用
@article{arxiv.1910.09942,
title = {Scalable Neural Dialogue State Tracking},
author = {Vevake Balaraman and Bernardo Magnini},
journal= {arXiv preprint arXiv:1910.09942},
year = {2019}
}
备注
8 pages, 3 figures, Accepted at ASRU 2019