基于合成数据的零样本迁移学习用于多领域对话状态跟踪
计算与语言
2020-05-05 v1
摘要
多领域对话状态跟踪的零样本迁移学习可让我们在不承受数据获取高成本的情况下处理新领域。本文提出了一种用于对话状态跟踪的新零样本迁移学习技术，其中领域内训练数据全部从抽象对话模型与该领域的本体合成得到。我们表明，通过合成数据进行数据增强可提升TRADE模型与基于BERT的SUMBT模型在MultiWOZ 2.1数据集上零样本学习的准确率。我们表明，仅在SUMBT模型上使用合成领域内数据训练可达到使用完整训练数据集所获准确率约2/3。我们将跨领域的零样本学习最优水平平均提升了21%。
引用
@article{arxiv.2005.00891,
title = {Zero-Shot Transfer Learning with Synthesized Data for Multi-Domain Dialogue State Tracking},
author = {Giovanni Campagna and Agata Foryciarz and Mehrad Moradshahi and Monica S. Lam},
journal= {arXiv preprint arXiv:2005.00891},
year = {2020}
}
备注
9 pages. To appear in ACL 2020