基于集体矩阵分解的对话状态跟踪谱分解方法
计算与语言
2016-06-17 v1 机器学习
摘要
对话管理任务通常被分解为两个连续的子任务：对话状态跟踪和对话策略学习。在端到端对话系统中，对话状态跟踪的目的是从语音识别和自然语言理解模块产生的含噪观测中准确估计真实的对话状态。状态跟踪任务主要用于支持对话策略。从概率角度来看，这是通过在由一组上下文相关变量组成的隐对话状态上维护后验分布来实现的。一旦学习到对话策略，它便致力于在给定估计的对话状态和定义的奖励函数的情况下选择最优的对话行为。本文引入了一种基于双线性代数分解模型的对话状态跟踪新方法，该模型通过集体矩阵分解提供了高效的推理模式。我们在第二届对话状态跟踪挑战赛（DSTC-2）数据集上评估了所提出的方法，并表明与参与该标准基准测试的最先进跟踪器相比，所提出的跟踪器给出了令人鼓舞的结果。最后，我们表明与以往的方法相比，该预测模式在计算上是高效的。
引用
@article{arxiv.1606.05286,
title = {Spectral decomposition method of dialog state tracking via collective matrix factorization},
author = {Julien Perez},
journal= {arXiv preprint arXiv:1606.05286},
year = {2016}
}
备注
13 pages, 3 figures, 1 Table. arXiv admin note: substantial text overlap with arXiv:1606.04052