SUMBT：面向通用可扩展信念追踪的槽位-话语匹配方法
计算与语言
2019-07-18 v1 机器学习
摘要
在面向目标的对话系统中，信念追踪器在每个对话轮次估计槽位-值的概率分布。此前的神经方法建模了依赖于领域和槽位的信念追踪器，难以添加新的槽位值，导致领域本体配置缺乏灵活性。本文提出一种通用且可扩展的信念追踪器新方法，称为槽位-话语匹配信念追踪器（SUMBT）。该模型通过基于上下文语义向量的注意力机制，学习领域-槽位类型与话语中出现的槽位值之间的关系。此外，该模型以非参数的方式预测槽位值标签。我们在 WOZ 2.0 和 MultiWOZ 两个对话语料库上的实验表明，所提模型相较于依赖于槽位的方法性能有所提升，并达到了最先进的联合准确率。
引用
@article{arxiv.1907.07421,
title = {SUMBT: Slot-Utterance Matching for Universal and Scalable Belief Tracking},
author = {Hwaran Lee and Jinsik Lee and Tae-Yoon Kim},
journal= {arXiv preprint arXiv:1907.07421},
year = {2019}
}
备注
6 pages, 2 figures, The 57th Annual Meeting of the Association for Computational Linguistics (ACL)