用于可迁移对话状态跟踪的模式编码
计算与语言
2022-10-06 v1
摘要
对话状态跟踪（DST）是任务型对话系统的关键子任务。近期工作聚焦于深度神经模型用于DST。然而，神经模型需要大规模数据集进行训练。此外，由于神经模型通常训练为模仿给定数据集，将其应用于另一领域需要新数据集。在本文中，我们提出用于可迁移对话状态跟踪的模式编码（SETDST），这是一种可有效迁移至新领域的神经DST方法。可迁移DST即使在目标领域数据较少时也能辅助对话系统开发。我们使用模式编码器不仅模仿数据集，而是理解数据集的模式。我们旨在通过编码新模式并将其用于多领域设置下的DST，将模型迁移至新领域。结果，SET-DST在MultiWOZ 2.1上将联合准确率提高了1.46个百分点。
引用
@article{arxiv.2210.02351,
title = {Schema Encoding for Transferable Dialogue State Tracking},
author = {Hyunmin Jeon and Gary Geunbae Lee},
journal= {arXiv preprint arXiv:2210.02351},
year = {2022}
}
备注
Accepted to COLING 2022