面向任务型对话系统的可迁移多领域状态生成器
计算与语言
2019-05-28 v2 人工智能
摘要
对话状态跟踪中两个实际却较少被研究的问题是对领域本体过度依赖以及缺乏跨领域知识共享。现有方法通常难以在推理时跟踪未知槽值，且往往难以适应新领域。在本文中，我们提出一种可迁移对话状态生成器（TRADE），它利用复制机制从话语中生成对话状态，从而在预测训练期间未遇到的（领域，槽，值）三元组时促进知识迁移。我们的模型由话语编码器、槽门和状态生成器组成，这些组件跨领域共享。实证结果表明，TRADE在MultiWOZ（一个人-人对话数据集）的五个领域上取得了48.62%的最先进联合目标准确率。此外，我们通过模拟未见领域的零样本和少样本对话状态跟踪展示了其迁移能力。TRADE在其中一个零样本领域取得了60.58%的联合目标准确率，并能够适应少样本情形而不遗忘已训练的领域。
引用
@article{arxiv.1905.08743,
title = {Transferable Multi-Domain State Generator for Task-Oriented Dialogue Systems},
author = {Chien-Sheng Wu and Andrea Madotto and Ehsan Hosseini-Asl and Caiming Xiong and Richard Socher and Pascale Fung},
journal= {arXiv preprint arXiv:1905.08743},
year = {2019}
}
备注
The 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019)