面向可扩展的神经对话状态跟踪模型
计算与语言
2018-12-04 v1
摘要
当前基于神经网络的对话状态跟踪模型尽管具有极高的准确性能，但其延迟阻碍了它们在生产系统中高效部署。本文提出了一种新颖的可扩展且准确的神经对话状态跟踪模型，该模型基于 Zhong 等人最近提出的 Global-Local Self-Attention 编码器（GLAD）模型，后者使用全局模块在不同类型（称为槽位）的对话状态估计器之间共享参数，并使用局部模块学习槽位特定特征。通过使用仅一个带有全局条件的循环网络，相较于 GLAD 模型中使用的 (1 + 槽位数) 个带有全局与局部条件的循环网络，我们所提模型在信念状态跟踪性能保持不变（在轮次请求上达 97.38%，在联合目标与准确率上达 88.51%）的情况下，将训练与推理时间的延迟平均降低了 。在多领域数据集（Multi-WoZ）上的评估也表明，我们的模型在轮次告知与联合目标准确率上优于 GLAD。
引用
@article{arxiv.1812.00899,
title = {Toward Scalable Neural Dialogue State Tracking Model},
author = {Elnaz Nouri and Ehsan Hosseini-Asl},
journal= {arXiv preprint arXiv:1812.00899},
year = {2018}
}
备注
32nd Conference on Neural Information Processing Systems (NeurIPS 2018), 2nd Conversational AI workshop, Montr\'eal, Canada