基于跨任务迁移的零样本对话状态跟踪
计算与语言
2021-09-13 v1
摘要
对话状态跟踪（DST）的零样本迁移学习使我们能够处理各种面向任务的对话领域，而无需花费收集领域内数据的成本。在这项工作中，我们提出从通用问答（QA）语料库迁移跨任务知识用于零样本 DST 任务。具体而言，我们提出了 TransferQA，这是一种可迁移的生成式 QA 模型，通过 text-to-text transformer 框架无缝结合抽取式 QA 和多选 QA，并跟踪 DST 中的分类槽和非分类槽。此外，我们引入了两种有效的方法来构造无法回答的问题，即负问题采样和上下文截断，这使我们的模型能够在零样本 DST 设置中处理“none”值槽。大量实验表明，我们的方法在 MultiWoz 上显著改善了现有的零样本和少样本结果。此外，与 Schema-Guided Dialogue 数据集上完全训练的基线相比，我们的方法在未见领域显示出更好的泛化能力。
引用
@article{arxiv.2109.04655,
title = {Zero-Shot Dialogue State Tracking via Cross-Task Transfer},
author = {Zhaojiang Lin and Bing Liu and Andrea Madotto and Seungwhan Moon and Paul Crook and Zhenpeng Zhou and Zhiguang Wang and Zhou Yu and Eunjoon Cho and Rajen Subba and Pascale Fung},
journal= {arXiv preprint arXiv:2109.04655},
year = {2021}
}
备注
EMNLP 2021