结合意图保持增强的自训练改进少样本生成式对话状态跟踪
计算与语言
2022-11-18 v1
摘要
在对话状态跟踪（DST）中，数据集标注涉及大量人力劳动。我们提出了一种利用未标注数据的少样本生成式 DST 新自训练框架。我们的自训练方法通过伪标注迭代改进模型，并采用意图保持增强（PPAug）来防止过拟合。我们在 MultiWOZ 2.1 上将少样本 10% 性能提升约 4%，且相较于基线对未见值的槽位召回率提升了 8.34%。
引用
@article{arxiv.2211.09379,
title = {Self-Training with Purpose Preserving Augmentation Improves Few-shot Generative Dialogue State Tracking},
author = {Jihyun Lee and Chaebin Lee and Yunsu Kim and Gary Geunbae Lee},
journal= {arXiv preprint arXiv:2211.09379},
year = {2022}
}