摘要
端到端可训练网络试图克服传统模块化任务导向对话系统体系结构的错误传播、泛化不足和整体脆弱性。大多数被提议的模型扩展了序列到序列的体系结构。其中一些不跟踪信念状态,这使得与不断变化的知识库交互变得困难,而那些明确跟踪信念状态的知识库则使用分类器。使用分类器会遇到词汇表外的单词问题,这使得这些模型很难在具有不断变化的知识库的现实应用程序中使用。我们提出了一种新型的端到端可训练体系结构——结构化信念复制网络(SBCN),它允许与外部符号知识库交互,同时解决了词汇表外问题。它明确地在其体系结构中使用信仰状态的结构,对不同的信息槽使用具有复制机制的不同顺序解码器,对可请求槽使用多标签解码器,从而提供更好的归纳偏差。通过经验结果,我们表明SBCN在对话数据集上取得了最先进的结果,同时提供了一个可以在现实应用中使用的实用体系结构。
作者
Lei蜀,皮耶罗Molino,马赫迪Namazifar,刘必应,中国许Huaixiu郑,Gokhan病重
会议
ConvAI @ NeurIPS 2018
论文全文
超级人工智能
评论