EGOS-DST:对话现象感知和模式引导的一步对话状态追踪算法

为了平衡过度依赖本体和完全舍弃本体两种极端方式,近期的对话状态追踪工作专注于混合方式。目前,这些混合方式忽略了一些特殊现象,比如值共享和推荐接受。此外,被广泛使用的槽位门机制使模型很难并行处理槽位,并且还会将误差传播到槽值生成步骤。针对以上问题,提出一种新的混合方式,它能够处理多样性表达、未知值、值共享和推荐接受4种不同对话现象。通过修改候选值集合和模型输入,模型不再依赖槽位门机制并且能够一步并行处理槽位。实验结果显示,模型在英文数据集MultiWOZ 2.2和2.3上分别达到了57.7%和59.5%的联合目标准确率,在中文数据集RiSAWOZ上达到了68.1%,并且推理一次仅需10ms。最后还分析了模型的鲁棒性,在MultiWOZ 2.2上的结果显示即使推荐错误率达到15%,联合目标准确率仍有55.4%。

基于模式引导和焦点损失的对话状态追踪算法

为解决以往对话状态追踪算法只能处理少数对话现象,且没有考虑到这些对话现象在数据集中分布不平衡的问题,提出一种基于模式引导和焦点损失的对话状态追踪算法。利用模式将槽位划分为可分类和不可分类,将用户表达归纳为4种现象(词汇多样性、未知值、值共享和推荐接受),以利于合理地填充对应槽位;使用焦点损失函数保证难样本得到充分训练。在大规模任务型对话数据集MultiWOZ2.2上进行大量消融实验,验证了模型的可行性和算法的有效性。