JMultiWOZ: A Large-Scale Japanese Multi-Domain Task-Oriented Dialogue Dataset
Graduate School of Informatics, Nagoya University（名古屋大学信息学研究科）
本研究构建了首个日语大规模多领域任务型对话数据集JMultiWOZ，评估表明其与MultiWOZ2.2基准相当，并揭示了基于LLM的方法在日语任务完成能力上的局限性。
2024-03-26 cs.AI cs.CL
ViWOZ: A Multi-Domain Task-Oriented Dialogue Systems Dataset For Low-resource Language
VNU（越南国立大学）
目前大多数面向任务的对话系统（ToD），尽管有有趣的结果，是专为少数语言，如中文和英文。因此，由于缺乏标准的数据集和评估策略，它们在低资源语言中的性能仍然是一个重大问题。为了解决这个问题，我们提出了ViWOZ，一个完全注释的越南语面向任务的对话数据集。ViWOZ是越南语（一种低资源语言）中第一个多回合、多领域任务导向的数据集。该数据集由总共5，000个对话组成，其中包括60，946个完全注释的话语。此外，我们提供了一个全面的基准测试，在低资源语言场景中的模块化和端到端模型。有了这些特征，ViWOZ数据集使未来的研究能够创建一个面向多语言任务的对话系统。
2022-03-15 cs.AI cs.CL
Task-Oriented Dialog Systems that Consider Multiple Appropriate Responses under the Same Context
Tsinghua University（清华大学）；University of California, Davis（加州大学戴维斯分校）
对话具有内在的一对多属性，这意味着多个响应可以适用于同一对话上下文。在面向任务的对话框中，此属性会导致任务完成的有效对话框策略不同。然而，现有的面向任务的对话框生成方法都没有考虑到这个属性。我们提出了一个多动作数据增强（MADA）框架，利用一对多的属性，以产生不同的适当的对话响应。具体来说，我们首先使用对话框状态来总结对话框历史，然后发现每个对话框状态到其不同有效系统操作的所有可能映射。在对话系统训练期间，我们使当前对话状态能够映射到在先前过程中发现的所有有效系统操作，以创建额外的状态-操作对。通过合并这些额外的对，对话策略学习平衡的动作分布，这进一步指导对话模型生成不同的响应。实验结果表明，该框架不断提高对话策略的多样性，提高响应的多样性和适当性。我们的模型在MultiWOZ上获得了最先进的结果。
2019-12-02 cs.AI cs.CL
Conversation Learner -- A Machine Teaching Tool for Building Dialog Managers for Task-Oriented Dialog Systems
Microsoft Research AI（微软研究院人工智能）；Microsoft Corporation（微软公司）
传统上，构建面向任务的对话系统的行业解决方案依赖于帮助对话作者定义基于规则的对话管理器，表示为对话流。虽然对话流可以直观地解释，并且适合简单的场景，但在处理复杂对话框所需的灵活性方面，它们的性能不足。另一方面，纯机器学习的模型可以处理复杂的对话，但它们被认为是黑箱，需要大量的训练数据。在这个演示中，我们展示了对话学习者，一个用于构建对话管理器的机器教学工具。它结合了两种方法的优点，使对话作者能够使用熟悉的工具创建对话流，将对话流转换为参数模型（例如，神经网络），并且允许对话作者改进对话管理器（即，参数模型）通过利用用户-系统对话日志作为机器教导接口的训练数据。
2020-05-01 cs.AI cs.CL
Target-oriented Proactive Dialogue Systems with Personalization: Problem Formulation and Dataset Curation
The Hong Kong Polytechnic University（香港理工大学）
本文提出个性化面向目标对话问题，将<对话行为，主题>作为目标，并基于角色扮演方法构建大规模数据集TopDial（约18K轮），实验证明其高质量，为相关研究提供支撑。
2023-10-13 cs.AI cs.CL
SIMMC 2.0: A Task-oriented Dialog Dataset for Immersive Multimodal Conversations
Facebook Reality Labs（Facebook现实实验室）；Facebook AI（Facebook人工智能）
下一代面向任务的对话系统需要理解会话上下文及其感知环境，以有效地帮助用户在现实世界中的多模态环境。现有的面向任务的对话数据集，旨在虚拟援助的不足，并没有在用户的多模态上下文中的对话。为了克服这个问题，我们提出了一个新的数据集，用于情景和交互式多模态对话，SIMMC 2.0，其中包括购物领域中的11K面向任务的用户<->助理对话（117K话语），以沉浸式和照片般逼真的场景为基础。使用两个阶段的流水线收集对话：（1）一种新的多模态对话模拟器生成模拟的对话流，强调交互的多样性和丰富性，（2）手动释义生成的话语，以收集不同的指涉表达。我们对收集的数据集进行了深入分析，并详细描述了我们提出的四个主要基准任务。我们的基线模型由最先进的语言模型提供支持，显示了有希望的结果，并为社区研究提出了新的挑战和方向。
2021-10-20 cs.AI cs.CL
Many Hands Make Light Work: Task-Oriented Dialogue System with Module-Based Mixture-of-Experts
Georgia Institute of Technology（佐治亚理工学院）
针对任务型对话系统受预训练语言模型能力限制、扩展成本高的问题，提出基于混合专家集成的SMETOD系统，在多项基准任务上取得最优性能，且推理成本更低、准确性更高。
2024-05-16 cs.AI cs.CL
TODSum: Task-Oriented Dialogue Summarization with State Tracking
Beijing University of Posts and Telecommunications（北京邮电大学）；Meituan（美团）；China Mobile Communication Corporation（中国移动通信集团公司）
以往的会话摘要数据集主要集中在开放领域的聊天会话，而广泛使用的面向任务的会话摘要数据集还没有被探索。自动总结这种面向任务的对话可以帮助企业收集和审查需求以改进服务。此外，以往的数据集更注重生成具有较高ROUGE分数的好摘要，但它们几乎不理解对话的结构化信息，忽略了摘要的真实性。在本文中，我们介绍了一个大规模的公共面向任务的对话摘要数据集，TODSum，它旨在总结智能体完成某些任务与用户的关键点。与现有的工作相比，TODSum遭受严重的分散信息问题，并要求严格的事实一致性，这使得它很难直接应用最近的对话摘要模型。因此，我们引入额外的对话状态知识TODSum，以提高所生成的摘要的忠实性。我们希望更好地理解会话内容有助于摘要模型生成简洁和连贯的摘要。同时，我们建立了一个全面的基准TODSum，并提出了一个状态感知的结构化对话摘要模型，集成对话状态信息和对话历史。详尽的实验和定性分析证明了对话结构指导的有效性。最后，我们讨论了当前的问题TODSum和未来工作的潜在发展方向。
2021-10-25 cs.AI cs.CL
Learning End-to-End Goal-Oriented Dialog with Multiple Answers
University of Michigan（密歇根大学）；IBM Research（IBM研究院）
在对话中，在任何点处可以存在多个有效的下一话语。目前用于对话的端到端神经方法没有考虑到这一点。他们在学习时假设在任何时候都只有一个正确的下一个发音。在这项工作中，我们专注于这个问题，在目标导向的对话设置，有不同的路径来达到一个目标。我们提出了一种新的方法，使用监督学习和强化学习方法的组合来解决这个问题。我们还提出了一个新的和更有效的测试平台，置换bAbI对话任务，通过引入多个有效的下一个话语的原始bAbI对话任务，它允许在一个更现实的设置目标导向的对话系统的评估。我们发现，现有的端到端神经方法的性能显着下降，从原始bAbI对话任务的每对话准确率81.5%下降到置换bAbI对话任务的30.3%。我们还表明，我们提出的方法提高了性能，并实现了47.3%的每对话的准确性置换bAbI对话任务。
2018-08-24 cs.AI cs.CL
Variational Reward Estimator Bottleneck: Learning Robust Reward Estimator for Multi-Domain Task-Oriented Dialog
Korea University（高丽大学）；Massachusetts Institute of Technology（麻省理工学院）
尽管在面向多领域任务的对话系统的对抗学习方法中取得了显着的成功，但通过对抗逆强化学习训练对话策略通常无法平衡策略生成器和奖励估计器的性能。在优化过程中，奖励估计器通常会对策略生成器进行优化，并产生过多的无信息梯度。我们提出了变分回报估计瓶颈（VRB），这是一种有效的正则化方法，旨在约束输入和回报估计之间的非生产性信息流。VRB通过利用互信息上的信息瓶颈来捕获鉴别特征。多领域面向任务的对话数据集上的实验结果表明，VRB显着优于以前的方法。
2020-05-31 cs.AI cs.CL
A Copy-Augmented Sequence-to-Sequence Architecture Gives Good Performance on Task-Oriented Dialogue
Stanford University（斯坦福大学）
面向任务的对话侧重于参与用户发起的关于特定领域主题的对话的会话代理。与聊天机器人相反，它只是寻求维持开放式的有意义的话语，现有的面向任务的代理通常显式地建模用户的意图和信念状态。本文探讨绕过这样一个明确的表示依赖于一个潜在的神经嵌入的状态和学习选择性注意对话的历史与复制，将相关的先验上下文。我们补充最近的工作，显示简单的序列到序列的神经架构与复制机制的有效性。我们的模型在每个响应生成方面比更复杂的内存增强模型高出7%，并且与DSTC 2上的当前最先进的模型相当。
2017-08-14 cs.AI cs.CL
GraphDialog: Integrating Graph Knowledge into End-to-End Task-Oriented Dialogue Systems
The University of Melbourne（墨尔本大学）
端到端面向任务的对话系统旨在直接从纯文本输入生成系统响应。这样的系统有两个挑战：一个是如何有效地将外部知识库（KBs）的学习框架，另一个是如何准确地捕捉对话历史的语义。在本文中，我们解决了这两个挑战，利用图形结构信息的知识库和依存句法分析树的对话。为了有效地利用对话历史中的结构信息，我们提出了一种新的循环细胞架构，允许图上的表示学习。为了充分利用知识库中实体之间的关系，该模型结合了基于图结构的多跳推理能力。实验结果表明，该模型在两个不同的面向任务的对话数据集上取得了一致的改进。
2020-10-04 cs.AI cs.CL
Leveraging Graph Structures and Large Language Models for End-to-End Synthetic Task-Oriented Dialogues
UCBL（里昂第一大学）；CNRS（法国国家科学研究中心）；Centrale Lyon（里昂中央理工学院）；INSA Lyon（里昂国立应用科学学院）；Univ. Lumière Lyon 2（里昂第二大学）；Reecall（瑞卡尔公司）
本文提出GraphTOD框架，利用图结构和大型语言模型，通过JSON转换图简化任务型对话的生成，降低数据集创建成本与复杂性。
2025-01-21 cs.AI cs.CL
Post-processing Networks: Method for Optimizing Pipeline Task-oriented Dialogue Systems using Reinforcement Learning
Nagoya University（名古屋大学）
许多研究已经提出了通过使用强化学习联合训练系统中的模块来优化整个管道面向任务的对话系统的对话性能的方法。然而，这些方法是有限的，因为它们只能应用于使用可训练的基于神经的方法实现的模块。为了解决这个问题，我们提出了一种方法，用于优化由任意方法实现的对话性能的模块组成的流水线系统。使用我们的方法，基于神经的组件称为后处理网络（PPN）安装在这样的系统中，对每个模块的输出进行后处理。通过使用强化学习更新所有PPN以提高系统的整体对话性能，而不需要每个模块是可区分的。通过对MultiWOZ数据集的对话模拟和人工评估，我们表明我们的方法可以提高由各种模块组成的流水线系统的对话性能。
2022-07-25 cs.AI cs.CL
Dialogue Meaning Representation for Task-Oriented Dialogue Systems
Amazon AWS AI（亚马逊AWS人工智能部门）；Fudan University（复旦大学）
对话意义表征将自然语言的话语语义以一种明确的、机器可读的形式表达出来。以前的工作通常遵循意图槽框架，这是很容易注释，但在复杂的语言表达的可扩展性有限。一系列的作品通过引入层次结构来解释表示问题，但对表达复杂的组合语义（如否定和共指）具有挑战性。我们提出了对话意义表示（DMR），一个柔韧的，易于扩展的表示面向任务的对话。我们的表示包含一组节点和边来表示丰富的组合语义。此外，我们提出了一个继承层次机制，重点领域的可扩展性。此外，我们用DMR注释了DMR-FastFood，这是一个具有超过70 k话语的多轮对话数据集。我们提出了两个评估任务来评估不同的对话模型和一个新的共指消解模型GNNCoref用于基于图的共指消解任务。实验表明，DMR可以很好地解析预训练的Seq 2Seq模型，GNNCoref大幅优于基线模型。
2022-11-15 cs.AI cs.CL
Robustness Testing of Language Understanding in Task-Oriented Dialog
Tsinghua University（清华大学）；Huawei Technologies（华为技术有限公司）
面向任务的对话系统中的大多数语言理解模型都是在少量带注释的训练数据上训练的，并在来自相同分布的小集合中进行评估。然而，当这些模型在实践中暴露于自然语言扰动或变化时，可能导致系统故障或不期望的输出。本文对自然语言理解模型的鲁棒性进行了综合评价和分析，并介绍了现实世界对话系统中与语言理解相关的三个重要方面，即语言多样性、语音特征和噪声扰动。我们提出了一个模型无关的工具LAUG来近似自然语言的扰动测试的鲁棒性问题，在面向任务的对话。四个数据增强的方法，涵盖了这三个方面组装在LAUG，这揭示了关键的鲁棒性问题，在国家的最先进的模型。通过LAUG增强的数据集可以用来促进未来的研究面向任务的对话中的语言理解的鲁棒性测试。
2021-06-04 cs.AI cs.CL
A Tailored Pre-Training Model for Task-Oriented Dialog Generation
University of California, Davis（加州大学戴维斯分校）
最近大型预训练语言模型（如BERT和GPT-2）的成功表明了在下游对话生成任务中合并语言先验的有效性。然而，预训练模型在对话任务上的性能并不像预期的那样最佳。在本文中，我们提出了一个预先训练的角色交替语言模型（PRAL），专门为面向任务的会话系统。我们采用（Wu et al.，2019），分别对两个扬声器进行建模。我们还设计了一些技术，如开始位置随机化，知识蒸馏，和历史折扣，以提高预训练性能。我们通过清理13个现有的数据集来引入面向任务的对话预训练数据集。我们在三个不同的下游任务上测试PRAL。结果表明，PRAL执行更好或等同于国家的最先进的方法。
2020-04-24 cs.AI cs.CL
SalesBot: Transitioning from Chit-Chat to Task-Oriented Dialogues
National Taiwan University（国立台湾大学）；MediaTek Research（联发科研究院）
对话系统通常分为两种类型，开放域和面向任务的。第一个重点是与用户聊天，让他们参与对话，其中选择一个合适的话题，以适应对话的背景是一个成功的对话至关重要。另一个专注于特定的任务，而不是随意的谈话，例如，周五晚上看电影或者放首歌这两个方向由于目的不同而被分开研究。然而，如何从社交聊天顺利过渡到任务导向的对话对于触发商业机会很重要，目前还没有公开数据关注此类场景。因此，本文的重点是调查从开放域社交聊天开始，然后逐渐过渡到面向任务的目的，并发布了一个大规模的数据集，详细的注释，以鼓励这一研究方向。为了实现这一目标，本文提出了一个框架，自动生成许多对话，没有人的参与，任何强大的开放域对话生成模型可以很容易地利用。人工评估表明，我们生成的对话数据具有合理质量的自然流动，表明我们发布的数据具有指导未来研究方向和商业活动的巨大潜力。此外，发布的模型允许研究人员在目标场景中自动生成无限对话，这可以大大有利于半监督和无监督方法。
2022-04-22 cs.AI cs.CL
Continual Learning in Task-Oriented Dialogue Systems
The Hong Kong University of Science and Technology（香港科技大学）；Facebook（脸书）
面向任务的对话系统中的持续学习可以让我们随着时间的推移添加新的领域和功能，而不会产生整个系统重新训练的高成本。在本文中，我们提出了一个面向任务的对话系统的持续学习基准37个领域不断学习的四个设置，如意图识别，状态跟踪，自然语言生成，和端到端。此外，我们实现并比较了多个现有的持续学习基线，并提出了一种基于剩余适配器的简单而有效的架构方法。我们的实验表明，所提出的架构方法和一个简单的基于重放的策略执行良好，但他们都达到了多任务学习基线，在那里所有的数据都显示在一次，显示在面向任务的对话系统的持续学习是一项具有挑战性的任务，性能较差。此外，我们揭示了几个权衡不同的持续学习方法的参数使用和内存大小，这是重要的面向任务的对话系统的设计。拟议的基准与几个基线一起发布，以促进这一方向的更多研究。
2020-12-31 cs.AI cs.CL
Fusing task-oriented and open-domain dialogues in conversational agents
Nanyang Technological University（南洋理工大学）；National University of Singapore（新加坡国立大学）
构建智能对话系统的目标在很大程度上是在两种范式下分别追求的：面向任务的对话（TOD）系统，它执行面向目标的功能，和开放域对话（ODD）系统，它专注于非面向目标的闲聊。这两种对话模式可以在同一个对话中无缝地交织在一起，就像友好的人类助手很容易做到的那样。这种能力在会话代理中是可取的，因为集成使它们更容易访问和有用。我们的论文解决了这个问题，融合多轮对话中的TOD和ODD。基于流行的TOD数据集MultiWOZ，我们通过重写现有的TOD转弯并添加新的ODD转弯来构建新的数据集FusedChat。该过程构造包含来自两种对话模式的交换的会话会话。它具有模式间上下文依赖性，即，对话从两种模式的相互依存转向了两种模式的相互依存。丰富的依赖模式，包括共指和省略的功能。新的数据集包含60k个新的人类书写的ODD回合和5k个重写的TOD回合，提供了一个测试对话模型执行模式间对话能力的基准。这是一项更具挑战性的任务，因为模型必须确定适当的对话模式并基于模式间上下文生成响应。但这样的模型可以更好地模仿人类水平的对话能力。我们评估了基线模型，包括基于分类的两阶段模型和二合一融合模型。我们公开发布FusedChat和基线，以推动未来在模式间对话系统https://github.com/tomyoung903/FusedChat上的工作。
2022-04-04 cs.AI cs.CL
Target-constrained Bidirectional Planning for Generation of Target-oriented Proactive Dialogue
The Hong Kong Polytechnic University（香港理工大学）
针对目标导向主动对话的规划难题，提出带双向一致性的目标约束双向规划TRIP方法，用两个Transformer解码器双向生成动作-话题对路径，引导对话生成，在两个数据集上显著优于基线模型。
2024-03-10 cs.AI cs.CL
Prompt Learning for Domain Adaptation in Task-Oriented Dialogue
University of Wisconsin - Madison（威斯康星大学麦迪逊分校）；NVIDIA（英伟达）
对话设计者在创建面向任务的生产质量对话系统时继续面临重大障碍。模式开发和数据汇集的复杂性和成本通常是这些设计人员的主要障碍，限制了他们创建自然的用户友好体验的能力。我们将用户意图的分类框架为规范形式的生成，使用自然语言的轻量级语义表示。我们表明，规范形式提供了一个很有前途的替代传统方法的意图分类。通过调整冻结的大语言模型的软提示，我们表明，规范形式推广非常好的新的，看不见的领域在零或Few-Shot设置。该方法也是样本效率，降低了复杂性和努力开发新的面向任务的对话域。
2022-11-10 cs.AI cs.CL
Probing Task-Oriented Dialogue Representation from Language Models
Salesforce Research（Salesforce 研究院）
本文研究了预训练的语言模型，以找出哪种模型本质上携带最多的面向任务的对话任务的信息表示。我们从两个方面来研究这个问题：有监督的分类器探测和无监督的互信息探测。我们微调前馈层作为分类器探测器，它位于一个固定的预训练语言模型之上，带有有监督的注释标签。同时，我们提出了一种无监督的互信息探针来评估真实聚类和表示聚类之间的相互依赖性。本文的目的是1）研究探测技术，特别是从无监督互信息方面; 2）为对话研究社区提供预训练语言模型选择的指南; 3）发现对话应用的预训练因素，这可能是成功的关键。
2020-10-26 cs.AI cs.CL
Task-oriented Dialogue Systems: performance vs. quality-optima, a review
University of the West of England（西英格兰大学）；GE Aviation（通用电气航空）；Universidad Atlántida Argentina（阿根廷大西洋大学）
任务导向的对话系统（TODS）正在继续流行，因为各个行业都在寻找有效利用其能力的方法，从而节省时间和金钱。然而，即使是最先进的TODS也尚未充分发挥其潜力。TODS的主要设计重点通常是完成手头的任务，因此任务解决的度量应该优先考虑。可以忽略可能指向对话的成功或其他的其他会话质量属性。这可能导致人与对话系统之间的交互，这使得用户不满意或沮丧。本文探讨了文献的评价框架的对话系统和会话质量属性的作用，在对话系统，看看如果，如何，以及在哪里使用，并检查它们的相关性与性能的对话系统。
2021-12-21 cs.AI cs.CL
Unsupervised Flow Discovery from Task-oriented Dialogues
CISUC, Universidade de Coimbra（科英布拉大学系统与计算机工程中心，科英布拉大学）；DEI, FCTUC, Universidade de Coimbra（科英布拉大学工程学院，科英布拉大学）；ISEC, Instituto Politécnico de Coimbra（科英布拉理工学院高等工程学院）
本文提出一种从任务导向对话历史中无监督发现对话流程的方法，通过话语向量聚类构建状态转移图，并在MultiWOZ上验证了其提取有意义流程的潜力。
2024-05-02 cs.AI cs.CL
CANDLE: Decomposing Conditional and Conjunctive Queries for Task-Oriented Dialogue Systems
Amelia Science（阿米莉亚科学公司）；IPsoft R&D（IPsoft研发部）
领域特定的对话系统通常通过依赖于主要集中于单个动作句子的句子级分类器来确定用户意图。这样的分类器不是设计来有效地处理复杂的查询组成的条件和顺序子句，表示多个动作。我们尝试将此类查询分解为较小的单个操作子查询，这些子查询对于意图分类器在对话管道中理解是合理的。我们发布了CANDLE（Conditional & AND type Expressions），这是一个由4282个手动标记有条件和顺序标签的话语组成的数据集，并通过训练两个基线标记器来演示这种分解。
2022-11-23 cs.AI cs.CL
Adaptive Natural Language Generation for Task-oriented Dialogue via Reinforcement Learning
Nagoya University（名古屋大学）
当在现实世界的面向任务的对话系统中实现自然语言生成（NLG）组件时，不仅需要生成如在训练数据上学习的自然话语，而且需要生成适于对话环境的话语（例如，来自环境声音的噪声）和用户（例如，具有低水平理解能力的用户）。受语言生成任务的强化学习（RL）的最新进展的启发，我们提出了ANTOR，一种通过强化学习为面向任务的对话自适应自然语言生成的方法。在ANTOR中，一个自然语言理解（NLU）模块，它对应于用户对系统话语的理解，被纳入RL的目标函数。如果NLG的意图被正确地传达给理解系统话语的NLU，则NLG被给予积极的奖励。我们在MultiWOZ数据集上进行了实验，我们证实了ANTOR可以针对语音识别错误和不同词汇水平的用户生成自适应的话语。
2022-09-16 cs.AI cs.CL
Towards Automatic Evaluation of Task-Oriented Dialogue Flows
USC Information Sciences Institute（南加州大学信息科学研究所）；Got It AI
本文提出FuDGE（模糊对话图编辑距离）这一新颖指标，通过评估结构复杂性和对话数据表征覆盖度，解决任务型对话流缺乏标准评估方法的问题，有效提升对话设计的效率与自动化水平。
2024-11-15 cs.AI cs.CL
Is Your Goal-Oriented Dialog Model Performing Really Well? Empirical Analysis of System-wise Evaluation
Tsinghua University（清华大学）；Microsoft Research（微软研究院）
人们对开发面向目标的对话系统越来越感兴趣，该系统通过多轮对话为用户完成复杂任务提供服务。虽然设计了许多方法来评估和提高单个对话组件的性能，但缺乏对不同组件如何对对话系统的整体性能做出贡献的全面实证研究。在本文中，我们进行了系统的评估，并提出了不同类型的对话系统，这是由不同的模块在不同的设置进行了实证分析。我们的研究结果表明，（1）使用不同组件级别的细粒度监督信号训练的管道对话系统通常比使用粗粒度标签训练的联合或端到端模型的系统获得更好的性能，（2）组件方面的单轮评估结果并不总是与对话系统的整体性能一致，（3）尽管模拟器和人类用户之间存在差异，但模拟评估仍然是昂贵的人类评估的有效替代方案，特别是在开发的早期阶段。
2020-05-15 cs.AI cs.CL
Learning to Memorize in Neural Task-Oriented Dialogue Systems
The Hong Kong University of Science and Technology（香港科技大学）
在这篇论文中，我们利用神经复制机制和记忆增强的神经网络（MANNs）来解决神经任务导向对话学习的挑战。我们通过在多域对话状态跟踪、基于检索的对话系统和基于生成的对话系统中实现良好的性能来展示我们的策略的有效性。我们首先提出了一个可转移的对话状态生成器（TRADE），利用其复制机制，摆脱对话本体和领域之间的知识共享。我们还评估看不见的域对话状态跟踪，并表明，贸易使zero-shot对话状态跟踪，可以适应新的Few-Shot域，而不会忘记以前的域。第二，我们利用人工神经网络来改善基于检索的对话学习。他们能够捕捉对话顺序的依赖关系，并记住长期的信息。我们还提出了一个记录的delexicalization复制策略，以取代真正的实体值与有序的实体类型。我们的模型被证明超过其他检索基线，特别是当对话有大量的回合。最后，我们用两个模型来处理基于生成的对话学习，即内存到序列（Mem2Seq）和全局到局部内存指针网络（GLMP）。Mem2Seq是第一个将多跳内存注意力与复制机制相结合的模型。GLMP进一步引入了响应草图和双指针复制的概念。我们表明，GLMP实现了最先进的性能对人类的评价。
2019-05-19 cs.AI cs.CL
Application of frozen large-scale models to multimodal task-oriented dialogue
Meiji University（明治大学）
本文将固定参数的 LENS Framework 与 LLM 用于时尚领域 MMD 多模态任务导向对话，并通过适配文本型 G-EVAL 评估，验证其相较 Transformer 基线在流畅性、有用性及相关性和连贯性上均有显著提升。
2023-10-02 cs.AI cs.CL
Global-to-local Memory Pointer Networks for Task-Oriented Dialogue
The Hong Kong University of Science and Technology（香港科技大学）；Salesforce Research（Salesforce研究院）
端到端面向任务的对话具有挑战性，因为知识库通常很大，动态，很难纳入学习框架。我们提出了全局到局部内存指针（GLMP）网络来解决这个问题。在我们的模型中，提出了一个全局记忆编码器和一个局部记忆解码器来共享外部知识。编码器对对话历史进行编码，修改全局上下文表示，并生成全局内存指针。解码器首先生成具有未填充槽的草图响应。接下来，它传递全局内存指针来过滤外部知识以获得相关信息，然后通过本地内存指针实例化插槽。我们的经验表明，我们的模型可以提高复制的准确性和减轻常见的词汇表问题。因此，GLMP能够在模拟bAbI对话数据集和人-人斯坦福多域对话数据集的自动和人类评估方面改进先前最先进的模型。
2019-03-29 cs.AI cs.CL
TOD-BERT: Pre-trained Natural Language Understanding for Task-Oriented Dialogue
Salesforce Research（Salesforce研究院）
普通文本和任务型对话在语言模式上的根本差异使得现有的预训练语言模型在实践中用处不大。在这项工作中，我们统一了9个人与人之间的多回合面向任务的对话数据集，用于语言建模。为了在预训练期间更好地建模对话行为，我们将用户和系统令牌纳入掩蔽语言建模。我们提出了一个对比的目标函数来模拟反应选择任务。我们预先训练的面向任务的对话BERT（TOD-BERT）在四个下游面向任务的对话应用上的性能优于BERT等强基线，包括意图识别，对话状态跟踪，对话行为预测和响应选择。我们还表明，TOD-BERT具有更强的Few-Shot能力，可以缓解面向任务的对话的数据稀缺问题。
2020-10-01 cs.CL
Building Task-Oriented Visual Dialog Systems Through Alternative Optimization Between Dialog Policy and Language Generation
University of California, Davis（加州大学戴维斯分校）
强化学习（Reinforcement learning，RL）是面向任务的可视化对话系统学习最优对话策略的有效方法。一种常见的做法是在神经序列到序列（seq2seq）框架上应用RL，其中动作空间是解码器中的输出词汇表。然而，很难设计一个奖励函数，可以在学习有效的策略和生成自然的对话响应之间实现平衡。本文提出了一种新的框架，交替训练图像猜测的RL策略和监督seq2seq模型，以提高对话生成质量。我们评估我们的框架上的GuessWhich任务和框架实现了国家的最先进的性能，在任务完成和对话质量。
2019-10-28 cs.AI cs.CL cs.LG
UniDS: A Unified Dialogue System for Chit-Chat and Task-oriented Dialogues
University of Science and Technology of China（中国科学技术大学）
随着深度学习的进步，聊天对话系统和面向任务的对话系统取得了巨大的进步。然而，这两个系统在当前的方法中通常被单独处理。为了实现与人类更自然的交互，对话代理需要能够聊天和完成任务。为此，我们提出了一个统一的对话系统（UniDS）与上述两个技能。特别是，我们设计了一个统一的对话数据模式，兼容聊天和面向任务的对话，我们训练UniDS与混合对话数据从一个预先训练的聊天对话模型。无需向SOTA基线添加额外的参数，UniDS可以在统一的框架中处理闲聊和面向任务的对话。实验结果表明，建议的UniDS工程以及纯聊天系统，它优于最先进的面向任务的对话系统。更重要的是，UniDS实现了更好的鲁棒性，因为它能够在两种类型的对话之间平滑切换。这些结果证明了建立一个一对多的对话系统的可行性和潜力。
2021-10-15 cs.CL
EmoWOZ: A Large-Scale Corpus and Labelling Scheme for Emotion Recognition in Task-Oriented Dialogue Systems
识别情感的能力赋予了会话型人工智能一种人性化的感觉。虽然聊天对话中的情感已经得到了很大的关注，但任务型对话中的情感在很大程度上仍然没有得到解决。尽管情感和对话成功在自然系统中扮演着同样重要的角色。现有的情感标注的面向任务的语料库在大小、标签丰富性和公共可用性方面受到限制，为下游任务创造了瓶颈。为了给任务型对话中的情感研究奠定基础，本文介绍了一个大规模的人工标注的任务型对话情感语料库-MPEGWOZ。EmoWOZ基于MultiWOZ，MultiWOZ是一个多领域面向任务的对话数据集。它包含超过11 K的对话，以及超过83 K的用户话语情感注释。除了MultiWOZ的“绿野仙踪”对话之外，我们还收集了同一组域中的人机对话，以充分覆盖数据驱动的对话系统生命周期中可能发生的各种情感空间。据我们所知，这是第一个大规模的开源语料库。我们提出了一种新的情感标签计划，这是专为面向任务的对话。我们报告了一组实验结果，以显示该语料库的可用性，情感识别和状态跟踪在面向任务的对话。
2022-05-02 cs.CL
A Challenge on Semi-Supervised and Reinforced Task-Oriented Dialog Systems
Tsinghua University（清华大学）；China Mobile（中国移动）
半监督和强化的面向任务的对话系统的挑战，与EMNLP 2022 SereTOD研讨会位于同一地点。
2022-09-25 cs.CL
Recent Advances and Challenges in Task-oriented Dialog System
Tsinghua University（清华大学）；Institute for Artificial Intelligence, Tsinghua University (THUAI)（清华大学人工智能研究院）；Beijing National Research Center for Information Science & Technology（北京信息科学与技术国家研究中心）
由于其在人机交互和自然语言处理中的重要性和价值，面向任务的对话系统受到了学术界和工业界越来越多的关注。在本文中，我们调查最近的进展和挑战，面向任务的对话系统。我们还讨论了面向任务的对话系统的三个关键主题：（1）提高数据效率，以促进在低资源设置对话建模，（2）建模多轮动态对话策略学习，以实现更好的任务完成性能，（3）集成领域本体知识到对话模型。此外，我们还回顾了对话评价的最新进展和一些广泛使用的语料库。我们相信，这项调查，虽然不完整，可以揭示未来的研究在面向任务的对话系统。
2020-06-23 cs.CL
End-to-End Optimization of Task-Oriented Dialogue Model with Deep Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）；Google Research（谷歌研究院）
在本文中，我们提出了一个基于神经网络的面向任务的对话系统，可以优化端到端的深度强化学习（RL）。该系统能够跟踪对话状态，与知识库接口，并将查询结果纳入代理的响应，成功地完成面向任务的对话。对话策略学习采用混合监督和深度RL方法进行。我们首先训练的对话代理在监督的方式直接从面向任务的对话语料库学习，并进一步优化它与用户交互过程中的深度RL。在两个不同的对话任务域上的实验中，我们的模型在跟踪对话状态和产生合理的系统响应方面表现出鲁棒的性能。我们表明，与监督训练模型相比，基于深度强化学习的优化显著提高了任务成功率，减少了对话长度。我们进一步展示了训练面向任务的对话模型端到端的好处，与对话模拟和人类评估的实验结果相比，组件优化。
2017-11-30 cs.CL
Context-Aware Dialog Re-Ranking for Task-Oriented Dialog Systems
Sony Corporation（索尼公司）；Carnegie Mellon University（卡内基梅隆大学）
对话响应排名用于通过考虑响应候选与对话历史的关系来对响应候选进行排名。虽然研究者已经提出了这个概念的开放域对话，很少有人关注面向任务的对话。此外，没有以前的研究分析是否响应排序可以提高现有的对话系统在真实的人机对话与语音识别错误的性能。在本文中，我们提出了一个上下文感知的对话响应重新排序系统。我们的系统通过两个步骤对响应进行重新排序：（1）计算每个候选响应和当前对话上下文的匹配分数;（2）将匹配分数和来自现有对话系统的候选响应的概率分布相结合，以进行响应重新排序。通过使用基于神经词嵌入的模型和手工或基于逻辑回归的集成模型，我们已经改进了最近提出的端到端面向任务的对话系统在具有语音识别错误的真实对话上的性能。
2018-11-28 cs.CL
Two Approaches to Building Collaborative, Task-Oriented Dialog Agents through Self-Play
DiDi Labs（滴滴实验室）
面向任务的对话系统通常在人/人对话上训练，例如从向导界面收集。然而，人类/人类语料库往往太小，监督训练是有效的。本文研究了两种通过自我游戏训练代理机器人和用户机器人的方法，在这种方法中，他们自主探索API环境，发现使他们能够解决任务的通信策略。我们给出了强化学习和博弈论均衡发现的实证结果。
2021-09-20 cs.AI cs.CL cs.GT
Learning from Relevant Subgoals in Successful Dialogs using Iterative Training for Task-oriented Dialog Systems
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Amazon（亚马逊公司）
本文提出子目标感知迭代训练方法 SUIT，通过远程监督识别成功对话中的关键子目标并迭代生成高质量训练数据，在任务型对话基准上取得最先进性能。
2024-11-25 cs.AI cs.CL cs.LG
DivTOD: Unleashing the Power of LLMs for Diversifying Task-Oriented Dialogue Representations
Meituan（美团）；Beijing University of Posts and Telecommunications（北京邮电大学）
本文提出 DivTOD 预训练模型，通过与大语言模型协作迁移多样化知识并去除矛盾领域知识，在多个下游任务型对话任务上超越强基线，有效学习对话的内在多样性。
2024-03-31 cs.CL
KETOD: Knowledge-Enriched Task-Oriented Dialogue
University of California, Santa Barbara（加州大学圣巴巴拉分校）；Meta
现有的对话系统研究大多将面向任务的对话和聊天作为独立的研究领域。为了构建一个可以与用户自然无缝对话的类人助理，构建一个有效进行两种类型对话的对话系统非常重要。在这项工作中，我们研究如何面向任务的对话和知识为基础的闲聊可以有效地整合到一个单一的模型。为此，我们创建了一个新的数据集，KETOD（知识丰富的面向任务的对话），在那里我们自然地丰富了基于相关实体知识的闲聊面向任务的对话。我们还提出了两个新的模型，SimpleToDPlus和组合器，所提出的任务。自动和人工评估的实验结果表明，所提出的方法可以显着提高知识丰富的响应生成的性能，同时保持有竞争力的面向任务的对话性能。我们相信我们的新数据集将是未来研究的宝贵资源。我们的数据集和代码可在\url{https://github.com/facebookresearch/ketod}上公开获得。
2022-05-11 cs.CL
Sequence-to-Sequence Learning for Task-oriented Dialogue with Dialogue State Representation
Research Center for Social Computing and Information Retrieval（社会计算与信息检索研究中心）；Harbin Institute of Technology（哈尔滨工业大学）
面向任务的对话系统的经典流水线模型需要对对话状态进行显式建模，并手工构建动作空间来查询特定领域的知识库。相反，序列到序列模型学习将对话历史映射到当前回合的响应，而无需显式的知识库查询。在这项工作中，我们提出了一个新的框架，利用经典的管道和序列到序列模型的优势。我们的框架模型的对话状态作为一个固定大小的分布式表示，并使用此表示查询知识库通过注意力机制。在斯坦福多回合多领域面向任务的对话数据集上的实验表明，我们的框架在自动和人工评估方面都显着优于其他基于序列到序列的基线模型。
2018-06-12 cs.CL
Memory-augmented Dialogue Management for Task-oriented Dialogue Systems
Tsinghua University（清华大学）；Alibaba Group（阿里巴巴集团）
对话管理根据当前对话状态决定对话系统的下一步动作，在面向任务的对话系统中起着核心作用。由于对话管理不仅需要访问本地话语，而且需要访问整个对话会话的全局语义，因此对远程历史信息进行建模是一个关键问题。为此，我们提出了一种新的内存增强对话管理模型（MAD），它采用了一个内存控制器和两个额外的内存结构，即，槽值存储器和外部存储器。槽值存储器通过记忆和更新语义槽的值（例如，菜系、价格和位置）来跟踪对话状态，外部存储器通过存储更多的上下文信息来增强传统递归神经网络的隐藏状态的表示。为了有效地更新对话状态，我们还提出了槽级关注用户的话语提取特定的语义信息，为每个槽。实验表明，我们的模型可以获得最先进的性能，并优于现有的基线。
2018-05-01 cs.AI cs.CL cs.IR
User Modeling for Task Oriented Dialogues
Google AI（谷歌人工智能）
我们介绍了端到端的神经网络为基础的模型，用于模拟面向任务的对话系统的用户。对话系统中的用户模拟从两个不同的角度来看是至关重要的：（i）不同对话模型的自动评估，以及（ii）训练面向任务的对话系统。我们设计了一个分层的序列到序列模型，首先编码的初始用户的目标和系统变成固定长度的表示使用递归神经网络（RNN）。然后，它使用另一个RNN层对对话历史进行编码。在每一轮中，用户响应都是从对话级别RNN的隐藏表示中解码出来的。这种层次化的用户模拟器（HUS）方法允许模型捕获用户目标中未被发现的部分，而不需要显式的对话状态跟踪。我们进一步开发了几个变种，利用潜变量模型注入随机变化到用户响应，以促进模拟用户响应的多样性和一种新的目标正则化机制，以惩罚用户响应偏离初始用户目标。我们评估电影票预订领域的建议模型，系统地互动每个用户模拟器与各种对话系统政策训练与不同的目标和用户。
2018-11-11 cs.AI cs.CL cs.LG
Training Neural Response Selection for Task-Oriented Dialogue Systems
PolyAI Limited（PolyAI有限公司）
尽管它们在聊天机器人文献中很受欢迎，但基于检索的模型对面向任务的对话系统的影响不大，其应用的主要障碍是大多数面向任务的对话任务的低数据机制。受语言建模中预训练最近成功的启发，我们提出了一种有效的方法，用于在面向任务的对话中部署响应选择。为了训练面向任务的对话任务的响应选择模型，我们提出了一种新的方法：1）在大型通用领域对话语料库上预训练响应选择模型;然后2）针对目标对话领域微调预训练模型，仅依赖于小的领域内数据集来捕获给定对话领域的细微差别。我们的评估六个不同的应用领域，从电子商务到银行，证明了所提出的培训方法的有效性。
2019-06-07 cs.CL
Pretraining the Noisy Channel Model for Task-Oriented Dialogue
University of Oxford（牛津大学）；DeepMind
直接解码任务导向的对话是众所周知的，遭受的解释离开效果，表现在模型，喜欢简短和通用的反应。在这里，我们认为使用贝叶斯定理分解成两个模型，分布的背景下的响应，和响应本身的先验对话任务。这种方法是噪声信道模型的实例化，既减轻了解释效果，又允许在响应先验中原则性地结合大型预训练模型。我们提出了广泛的实验表明，一个嘈杂的通道模型解码更好的反应相比，直接解码和两个阶段的预训练策略，采用开放域和面向任务的对话数据，提高了随机初始化模型。
2021-03-18 cs.AI cs.CL cs.LG
Precognition in Task-oriented Dialogue Understanding: Posterior Regularization by Future Context
Ant Group（蚂蚁集团）
面向任务的对话系统是近年来研究的热点。在面向任务的对话系统中，对话理解被广泛用于理解用户的意图、情感和对话状态。大多数以前的作品，这种歧视性的任务只模型当前查询或历史对话。即使在某些工作中，整个对话流被建模，它是不适合现实世界的面向任务的会话，因为未来的上下文是不可见的，在这种情况下。在本文中，我们提出了联合模型的历史和未来的信息，通过后验正则化方法。更具体地说，通过将当前话语和过去的上下文建模为先验，将整个对话流建模为后验，我们优化了这些分布之间的KL距离，以在训练过程中正则化我们的模型。只有历史信息才能用于推理。在两个对话数据集上的实验验证了该方法的有效性，与所有基线模型相比，取得了更好的结果。
2022-03-07 cs.CL
Dialogue Learning with Human Teaching and Feedback in End-to-End Trainable Task-Oriented Dialogue Systems
Carnegie Mellon University（卡内基梅隆大学）；Google Research（谷歌研究院）；Samsung Research（三星研究院）
在这项工作中，我们提出了一种混合学习方法，通过在线用户交互训练面向任务的对话系统。用于学习面向任务的对话的流行方法包括在监督的预训练模型上应用具有用户反馈的强化学习。这种学习方法的效率可能受到离线训练和在线交互式学习阶段之间的对话状态分布的不匹配的影响。为了解决这一挑战，我们提出了一种混合模仿和强化学习的方法，与对话代理可以有效地学习，从人类的教学和反馈与用户的互动。我们设计了一个基于神经网络的面向任务的对话代理，可以优化端到端的学习方法。实验结果表明，我们的端到端的对话代理可以有效地学习，从它所犯的错误，通过模仿学习从用户教学。在模仿学习阶段之后应用具有用户反馈的强化学习进一步提高了代理成功完成任务的能力。
2018-04-18 cs.CL
Relevance of Unsupervised Metrics in Task-Oriented Dialogue for Evaluating Natural Language Generation
Microsoft Maluuba（微软 Maluuba）
诸如BLEU的自动化度量在机器翻译文献中被广泛使用。它们最近也被对话界用于评估对话回应的生成。然而，以前的工作中的对话响应生成表明，这些指标不密切相关的非面向任务的对话设置与人类的判断。任务导向型对话的回答表达的领域较窄，多样性较低。因此，有理由认为，这些自动化的指标将与人类的判断在面向任务的设置，其中生成任务包括翻译成一个句子的对话行为。我们进行了实证研究，以证实是否是这样。我们的研究结果表明，这些自动化的指标有更强的相关性与人类的判断，在面向任务的设置相比，在非面向任务的设置。我们还观察到，这些指标与提供多个地面真实参考句子的数据集的相关性更好。此外，我们表明，一些目前可用的语料库面向任务的语言生成可以解决简单的模型和倡导更具挑战性的数据集。
2017-06-29 cs.CL
An End-to-End Trainable Neural Network Model with Belief Tracking for Task-Oriented Dialog
Carnegie Mellon University（卡内基梅隆大学）
我们提出了一种新的端到端的可训练神经网络模型面向任务的对话系统。该模型能够跟踪对话状态，向知识库（KB）发出API调用，并将结构化的KB查询结果合并到系统响应中，以成功地完成面向任务的对话。该模型通过共同学习信念跟踪和KB结果处理条件的对话历史，产生结构良好的系统响应。我们使用从第二个对话状态跟踪挑战（DSTC 2）语料库转换的数据集来评估餐厅搜索域中的模型。实验结果表明，该模型可以鲁棒地跟踪对话状态给定的对话历史。此外，我们的模型在产生适当的系统响应方面表现出良好的效果，优于使用每个响应准确度评估指标的先前端到端可训练神经网络模型。
2017-08-20 cs.CL
CrossWOZ: A Large-Scale Chinese Cross-Domain Task-Oriented Dialogue Dataset
Tsinghua University（清华大学）；Institute for Artificial Intelligence（人工智能研究院）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
为了推进多领域（跨领域）对话建模，以及缓解中国面向任务的数据集的不足，我们提出了CrossWOZ，第一个大规模的中国跨领域向导Oz面向任务的数据集。它包含6 K对话会话和5个领域的102 K话语，包括酒店，餐厅，景点，地铁和出租车。此外，语料库包含了丰富的用户和系统双方的对话状态和对话行为的注释。大约60%的对话具有跨域用户目标，这些目标有利于域间依赖，并鼓励对话中跨域的自然过渡。我们还提供了一个用户模拟器和几个基准模型的流水线面向任务的对话系统，这将有助于研究人员比较和评估他们的模型在这个语料库。CrossWOZ的大尺寸和丰富的注释使其适合研究跨域对话建模中的各种任务，如对话状态跟踪、策略学习、用户模拟等。
2020-02-28 cs.CL
