Dialogue State Distillation Network with Inter-slot Contrastive Learning for Dialogue State Tracking
Baidu Inc.（百度公司）
在面向任务的对话系统中，对话状态跟踪（DST）旨在从对话历史中提取用户的意图。目前，大多数现有的方法遭受错误传播，并且在利用先前的对话状态时不能动态地选择相关信息。此外，不同时隙的更新之间的关系为DST提供了重要线索。然而，现有的方法仅依赖于预定义的图来间接地捕获关系。在本文中，我们提出了一个对话状态蒸馏网络（DSDN），利用以前的对话状态的相关信息，并迁移训练和测试之间的利用差距。因此，它可以动态地利用先前的对话状态，同时避免引入错误传播。此外，我们提出了一个时隙间的对比学习损失，有效地捕捉槽的协同更新关系的对话上下文。实验在广泛使用的MultiWOZ 2.0和MultiWOZ 2.1数据集上进行。实验结果表明，我们提出的模型达到了DST的最新性能。
2023-03-07 cs.CL
Augmenting Task-Oriented Dialogue Systems with Relation Extraction
University of Michigan（密歇根大学）；Bloomberg（彭博）；Vanderbilt University（范德堡大学）
标准的面向任务的对话管道使用意图分类和槽填充来解释用户话语。虽然这种方法可以处理各种各样的查询，但它不能提取处理包含槽之间关系的更复杂查询所需的信息。我们建议将关系抽取集成到这个管道中，作为扩展对话系统功能的有效方法。我们评估我们的方法，使用一个内部数据集的插槽和关系注释跨越三个域。最后，我们展示了如何插槽填充注释计划可以简化，一旦关系注释的表达能力，减少插槽的数量，同时仍然捕捉用户的意图。
2022-10-24 cs.CL cs.LG
CHAI: A CHatbot AI for Task-Oriented Dialogue with Offline Reinforcement Learning
UC Berkeley（加州大学伯克利分校）
传统上，为对话代理生成自然语言可以被视为统计学习问题：确定人类提供的数据中的模式，并生成具有类似统计属性的适当响应。然而，对话也可以被视为一个目标导向的过程，说话者试图完成一项特定的任务。强化学习（RL）算法是专门为解决这类目标导向问题而设计的，但应用RL的最直接方法--通过人类对话中的试错学习--成本很高。在本文中，我们研究如何离线强化学习可以完全使用从人类说话者收集的静态数据集来训练对话代理。我们的实验表明，最近开发的离线强化学习方法可以与语言模型相结合，以产生更好地完成任务目标的现实对话代理。
2022-04-18 cs.CL cs.LG
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
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
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
Chat, Shift and Perform: Bridging the Gap between Task-oriented and Non-task-oriented Dialog Systems
Keio University（庆应义塾大学）
我们提出了CASPER（ChAt，Shift和PERform），一个新的对话系统，包括三种类型的对话模型：颤振，移位器，和表演者。Shifter是专为主题切换而设计的，它可以实现从开放域聊天到面向任务的对话的无缝对话流。在一项用户研究中，CASPER在响应的自然性、缺乏强迫话题切换和满意度方面给人留下了更好的印象，而与以端到端方式训练的基线对话系统相比。在消融研究中，我们发现，自然的反应，对话满意度和任务引出率提高时，移位器被删除CASPER相比，表明主题转移与移位器支持自然的任务导向对话的介绍。
2022-06-05 cs.AI cs.CL
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
Goal-Embedded Dual Hierarchical Model for Task-Oriented Dialogue Generation
Amazon ML（亚马逊机器学习）
分层神经网络通常用于对对话中的固有结构进行建模。对于目标导向的对话，这些模型缺少一个坚持目标的机制，忽视了两个对话者之间的独特的会话模式。在这项工作中，我们提出了目标嵌入式双层次注意编码器-解码器（G-DuHA）能够围绕目标和捕获对话者级别的差异，同时建模面向目标的对话。对话生成，响应生成和人工评价的实验表明，该模型成功地生成更高质量，更多样化和目标为中心的对话。此外，我们应用数据增强通过面向目标的对话生成面向任务的对话系统，取得了更好的性能。
2019-09-19 cs.AI 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
Generative Dialog Policy for Task-oriented Dialog Systems
对于能够在诸如订票和餐厅预订的各种活动中帮助用户的面向任务的对话系统的需求日益增加。在面向任务的对话系统中，为了有效地完成对话，对话策略起着关键的作用。现有的面向任务的对话系统通过分类获取对话策略，既可以为一个对话行为分配一个对话行为及其相应的参数，也可以为多个对话行为分配多个对话行为而不分配相应的参数。事实上，一个好的对话政策应该同时构建多种对话行为及其相应的参数。然而，现有的基于分类的方法很难实现这一目标。因此，为了解决上述问题，我们提出了一种新的生成式对话策略学习方法。该方法利用注意力机制寻找给定对话上下文和输入话语的相关片段，然后通过seq2seq方式构造面向任务的对话系统的对话策略。在两个基准数据集上的大量实验表明，该模型的性能显着优于最先进的基线。此外，我们还公开发布了我们的代码。
2019-09-17 cs.AI cs.CL
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
Dialog-to-Actions: Building Task-Oriented Dialogue System via Action-Level Generation
Meituan Group（美团集团）；Peking University（北京大学）
针对工业场景中任务型对话系统在可控性和效率上的瓶颈，提出基于动作级生成的对话系统，通过构建对话动作序列并训练 Seq2Seq 模型生成动作再转换为响应，实现轻量且具竞争力的可控高效方案。
2023-04-03 cs.CL
Towards Task-Oriented Dialogue in Mixed Domains
FPT Technology Research Institute（FPT技术研究院）；FPT University（FPT大学）；Vietnam National University（越南国家大学）
本文研究了混合域环境下的任务型对话问题。我们使用两个相关的国家的最先进的对话系统的对话轮序列中的不同域之间的交替的效果进行研究。我们首先表明，一个专门的状态跟踪组件在多个领域中发挥着重要的作用，并给出了更好的结果比一个端到端的面向任务的对话系统。然后，我们提出了一个混合系统，这是能够提高约28%的平均绝对点在一个标准的多域对话数据集的信念跟踪精度。这些实验结果为改进我们的商业聊天机器人平台FPT.AI提供了一些有用的见解，该平台目前已被部署用于许多实际的聊天机器人应用。
2019-09-05 cs.CL
DialoGLUE: A Natural Language Understanding Benchmark for Task-Oriented Dialogue
Carnegie Mellon University（卡内基梅隆大学）；Amazon Alexa AI（亚马逊Alexa人工智能）
面向任务的对话研究的一个长期目标是能够灵活地调整对话模型以适应新的领域。为了推进这一方向的研究，我们引入了DialogLUE（对话语言理解评估），这是一个公共基准，由7个面向任务的对话数据集组成，涵盖4个不同的自然语言理解任务，旨在鼓励基于表示的迁移，领域自适应和样本有效任务学习的对话研究。我们发布了几个强大的基线模型，通过在大型开放域对话语料库上进行预训练和任务自适应自监督训练，在普通BERT架构上展示了性能改进，并在7个任务中的5个任务上获得了最先进的结果。通过DialogLUE基准、基线方法和我们的评估脚本，我们希望能够促进开发更通用的面向任务的对话模型的目标。
2020-10-01 cs.AI cs.CL
Adversarial Learning of Task-Oriented Neural Dialog Models
Carnegie Mellon University（卡内基梅隆大学）
在这项工作中，我们提出了一个对抗性学习方法的奖励估计强化学习（RL）为基础的面向任务的对话模型。当前大多数基于RL的面向任务的对话系统都需要访问来自用户反馈或用户评级的奖励信号。然而，这种用户评级在实践中可能并不总是一致或可用的。此外，使用RL的在线对话策略学习通常需要向用户进行大量查询，从而遭受样本效率问题。为了解决这些挑战，我们提出了一种对抗性学习方法，直接从对话样本中学习对话奖励。这样的奖励进一步用于利用基于策略梯度的RL来优化对话策略。在餐馆搜索领域的评估中，我们表明，与强基线方法相比，所提出的对抗性对话学习方法实现了高级对话成功率。我们进一步讨论了在线对抗对话学习中的协变量偏移问题，并展示了如何通过部分访问用户反馈来解决这个问题。
2018-05-30 cs.CL
Dialog2API: Task-Oriented Dialogue with API Description and Example Programs
AWS AI Labs（亚马逊云科技人工智能实验室）
功能性和对话体验是任务导向对话系统的两个重要因素。具有封闭模式的常规方法（例如，会话语义解析）经常失败，因为功能和对话体验都受到底层模式的强烈约束。我们引入了一种新的面向任务的对话模式-Dialog 2API-以极大地扩展功能并提供无缝的对话体验。会话模型通过生成和执行触发一组预定义API的程序来与环境交互。该模型还管理对话策略，并通过生成适当的自然语言响应与用户交互。通过允许生成自由形式的程序，Dialog 2API通过组合不同的API来支持复合目标，而不受限制的程序修订提供了自然和强大的对话体验。为了方便Dialog 2API，核心模型提供了API文档，执行环境和可选的一些用程序注释的示例对话。我们提出了一种为Dialog 2API量身定制的方法，其中对话状态由程序堆栈表示，最近提到的程序位于堆栈的顶部。Dialog 2API可用于许多应用场景，如软件自动化和客户服务。在本文中，我们为AWS S3 API构建了一个数据集，并展示了上下文学习基线的评估结果。
2022-12-20 cs.CL
Modeling Long Context for Task-Oriented Dialogue State Generation
Soochow University（苏州大学）
基于最近提出的可转移的对话状态生成器（TRADE），预测对话状态，从话语连接的对话上下文，我们提出了一个多任务学习模型，一个简单而有效的话语标记技术和双向语言模型作为辅助任务的面向任务的对话状态生成。通过使模型能够学习更好地表示长对话上下文，我们的方法试图解决当输入对话上下文序列较长时基线性能显着下降的问题。在我们的实验中，我们提出的模型比基线实现了7.03%的相对改进，在MultiWOZ 2.0数据集上建立了52.04%的新的最先进的联合目标准确度。
2020-04-29 cs.CL
BORT: Back and Denoising Reconstruction for End-to-End Task-Oriented Dialog
JD AI Research（京东人工智能研究院）
典型的端到端面向任务的对话系统将上下文转换为对话状态，并在其上生成响应，这通常面临来自先前生成的不准确的对话状态和响应的错误传播的问题，特别是在低资源场景中。为了缓解这些问题，我们提出了BORT，一个后端和去噪重建方法的端到端面向任务的对话系统。为了提高对话状态的准确性，由于不准确的对话状态不能恢复相应的输入上下文，因此使用反向重建来从生成的对话状态重建原始输入上下文。为了增强模型的去噪能力以减少错误传播的影响，使用去噪重建来重建损坏的对话状态和响应。在MultiWOZ 2.0和CamRest676上进行的大量实验表明了BORT的有效性。此外，BORT在zero-shot域和低资源场景中展示了其高级功能。
2022-05-05 cs.CL
BootTOD: Bootstrap Task-oriented Dialogue Representations by Aligning Diverse Responses
Beijing University of Posts and Telecommunications（北京邮电大学）；Meituan（美团）
针对任务型对话预训练中对比框架依赖正负样本且缺乏多样性的问题，本文提出 BootTOD，通过自举对齐上下文与上下文加响应表示并利用多响应目标建模一对多多样性，在下游任务上超过 TOD 基线。
2024-03-02 cs.CL
Searching for Snippets of Open-Domain Dialogue in Task-Oriented Dialogue Datasets
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；Laboratoire Interdisciplinaire des Sciences du Numérique（数字科学跨学科实验室）
本研究通过主题建模探索Schema-Guided Dialogues和MultiWOZ训练集，发现面向任务对话数据中自然存在社交闲聊序列，为闲聊与任务对话的结合研究提供了依据。
2023-11-23 cs.CL
TOD-DA: Towards Boosting the Robustness of Task-oriented Dialogue Modeling on Spoken Conversations
Baidu Inc.（百度公司）
面向任务的对话系统一直受到获取大规模、高质量带注释对话的困难的困扰。此外，大多数公开可用的数据集仅包括书面对话，这不足以反映实际口语对话系统中的实际人类行为。在本文中，我们提出了面向任务的对话数据增强（TOD-DA），一种新的模型无关的数据增强范例，以提高面向任务的对话建模的口语对话的鲁棒性。TOD-DA由两个模块组成：1）对话丰富，用于扩展面向任务的对话的训练数据，以缓解数据稀疏性; 2）口语对话模拟器，用于模拟不同粒度的口语风格表达和语音识别错误，以弥合书面和口语对话之间的差距。通过这些设计，我们的方法在DSTC 10 Track 2的两个任务中均排名第一，DSTC 10 Track 2是面向任务的口语对话建模的基准，证明了我们提出的TOD-DA的优越性和有效性。
2021-12-23 cs.CL
Iterative Policy Learning in End-to-End Trainable Task-Oriented Neural Dialog Models
Carnegie Mellon University（卡内基梅隆大学）
在本文中，我们提出了一个深度强化学习（RL）框架，用于端到端面向任务的对话系统中的迭代对话策略优化。使用RL学习对话策略的流行方法包括让对话代理学习用户模拟器。然而，构建一个可靠的用户模拟器并不简单，它通常和构建一个好的对话代理一样困难。我们通过模拟两个代理之间的对话来联合优化对话代理和具有深度RL的用户模拟器来解决这一挑战。我们首先引导一个基本的对话代理和一个基本的用户模拟器直接从对话语料库与监督训练。然后，我们通过让两个代理进行面向任务的对话并使用深度RL迭代优化其策略来进一步改进它们。对话代理和用户模拟器都是用可以端到端训练的神经网络模型设计的。我们的实验结果表明，与监督训练和单智能体RL训练基线模型相比，所提出的方法在任务成功率和总任务奖励方面都有很大的改进。
2017-09-18 cs.CL
Multi-User MultiWOZ: Task-Oriented Dialogues among Multiple Users
Seoul National University（首尔大学）；Amazon（亚马逊）
本文提出 Multi-User MultiWOZ 数据集和查询改写任务，将多用户聊天改写为单用户式查询，在不改动现有对话系统的前提下显著提升对话状态跟踪性能。
2023-10-31 cs.CL
Adapting Task-Oriented Dialogue Models for Email Conversations
Microsoft（微软）
意图检测是会话助理的任何自然语言理解（NLU）系统的关键部分。检测正确的意图对于存在多个指令和意图的电子邮件对话来说是必不可少的，但也很困难。在这样的设置中，对话上下文可以成为用于检测来自助理的用户请求的关键消歧因素。一个突出的方式纳入上下文是建模过去的会话历史，如面向任务的对话模型。然而，电子邮件对话（长格式）的性质限制了直接使用面向任务的对话模型的最新进展。因此，在本文中，我们提供了一个有效的迁移学习框架（EMToD），允许对话模型的最新发展，以适应长形式的对话。我们表明，所提出的EMToD框架的意图检测性能提高了45%，超过预训练的语言模型和30%的面向任务的电子邮件对话的预训练的对话模型。此外，所提出的框架的模块化性质允许即插即用的任何未来的发展，在预先训练的语言和面向任务的对话模型。
2022-08-19 cs.CL
"How Robust r u?": Evaluating Task-Oriented Dialogue Systems on Spoken Conversations
Amazon Alexa AI（亚马逊Alexa人工智能部门）
由于现有的数据集，对话建模的大多数工作都是在书面对话上进行的。然而，书面对话不足以完全捕获口头对话的性质以及实际口头对话系统中的潜在语音识别错误。本文提出了一种新的面向任务的口语会话基准，旨在研究多领域对话状态跟踪和基于知识的对话建模。我们报告说，现有的最先进的书面对话训练模型在我们的口语数据上表现不佳，正如预期的那样。此外，我们观察到改进的任务性能时，利用n-最好的语音识别假设，如通过结合预测的基础上个别假设。我们的数据集可以对面向任务的对话系统进行基于语音的基准测试。
2021-09-28 cs.CL
Hello, It's GPT-2 -- How Can I Help You? Towards the Use of Pretrained Language Models for Task-Oriented Dialogue Systems
Cambridge University（剑桥大学）；PolyAI Limited（PolyAI有限公司）
数据稀缺是一个长期存在的关键挑战，它阻碍了跨多个领域的面向任务的对话系统的快速开发：面向任务的对话模型预计将从少量的特定于任务的数据中学习语法，句法，对话推理，决策和语言生成。在本文中，我们证明了语言建模预训练和迁移学习的最新进展有望克服这个问题。我们提出了一个面向任务的对话模型，只对文本输入操作：它有效地绕过明确的政策和语言生成模块。在TransferTransfo框架之上构建（Wolf等人，2019）和生成模型预训练（Radford et al.，2019），我们从MultiWOZ数据集验证了复杂的多领域面向任务的对话方法。我们的自动和人工评估表明，所提出的模型与强大的任务特定神经基线相当。从长远来看，我们的方法有望缓解数据稀缺问题，并支持构建更具吸引力和更雄辩的面向任务的会话代理。
2019-08-04 cs.CL
Adding Chit-Chat to Enhance Task-Oriented Dialogues
Cornell University（康奈尔大学）；Facebook（脸书公司）；Facebook AI Research（脸书人工智能研究院）
现有的对话语料库和模型通常是在两个不相交的动机下设计的：而面向任务的系统专注于实现功能目标（例如，预订酒店），开放域聊天机器人旨在进行社交参与对话。在这项工作中，我们建议通过将Chit-Chat添加到ENhance Task-Oriented对话（ACCENTOR）来集成这两种类型的系统，目标是使虚拟助理对话更具吸引力和互动性。具体来说，我们提出了一种人类<->AI协作数据汇集方法，用于生成多样化的聊天响应，以最小的注释工作来增强面向任务的对话。然后，我们将我们新的基于聊天的注释呈现给来自两个流行的面向任务的数据集（Schema-Guided Dialogue和MultiWOZ 2.1）的23.8K对话，并通过人工评估展示了它们相对于原始对话的优势。最后，我们提出了三种新的模型，用于将闲聊添加到面向任务的对话中，明确训练以预测用户目标并生成上下文相关的闲聊响应。自动和人工评估表明，与最先进的面向任务的基线相比，我们的模型可以在任务和聊天之间进行代码切换，以更吸引人，有趣，知识渊博和人性化，同时保持有竞争力的任务性能。
2021-05-01 cs.CL
Learning End-to-End Goal-Oriented Dialog
Facebook AI Research（Facebook人工智能研究院）
面向目标的应用程序中使用的传统对话系统需要大量特定于领域的手工制作，这阻碍了扩展到新领域。端到端对话系统，其中所有组件都是从对话本身训练的，摆脱了这个限制。但是，最近在闲聊对话中取得的令人鼓舞的成功可能不会延续到目标导向的环境中。本文提出了一个测试床，打破了面向目标的应用程序中的端到端对话系统的优点和缺点。在餐厅预订的背景下，我们的任务需要操纵句子和符号，以便正确地进行对话，发出API调用并使用这些调用的输出。我们表明，基于内存网络的端到端对话系统可以达到有前途的，但不完美的，性能和学习执行非平凡的操作。我们通过将我们的系统与第二次对话状态跟踪挑战（Henderson et al.，2014年a）。我们从在线礼宾服务中提取的数据显示了类似的结果模式。
2017-03-30 cs.CL
DORA: Toward Policy Optimization for Task-oriented Dialogue System with Efficient Context
Pohang University of Science and Technology（浦项科技大学）
最近，强化学习（RL）已经通过使用潜在动作来解决监督学习（SL）的缺点，被应用于面向任务的对话系统。在本文中，我们提出了一个多领域的面向任务的对话系统，称为对话系统与优化循环的行动政策使用有效的上下文（DORA），使用SL，随后应用RL优化对话系统使用循环的对话政策。这种对话策略会反复生成显式的系统操作，作为单词级别和高级策略。因此，DORA在SL和RL步骤期间通过使用考虑有效上下文而不是整个对话历史的显式系统动作策略而被明显优化。系统行为既可解释又可控制，而潜在行为则不然。DORA将MultiWOZ 2.0的成功率提高了6.6分，将MultiWOZ 2.1的成功率提高了10.9分。
2021-07-07 cs.CL
Frames: A Corpus for Adding Memory to Goal-Oriented Dialogue Systems
Maluuba Research（Maluuba 研究院）
本文介绍了Frames数据集（Frames可在http：//www.maluuba.com/Frames上获得），这是一个包含1369个人与人之间对话的语料库，每个对话平均有15个回合。我们开发了这个数据集来研究记忆在目标导向的对话系统中的作用。基于帧，我们引入了一个任务称为帧跟踪，它扩展了状态跟踪的设置，同时跟踪多个状态。我们为此任务提出了一个基线模型。我们表明，框架也可以用来研究记忆中的对话管理和信息呈现通过自然语言生成。
2017-04-13 cs.CL
Mars: Modeling Context & State Representations with Contrastive Learning for End-to-End Task-Oriented Dialog
JD AI Research（京东人工智能研究院）
本文提出端到端任务型对话系统 Mars，通过两种对比学习策略建模对话上下文与信念/动作状态表示的关系，发现与语义状态差异更大的上下文表示更有利于多轮对话，并在 MultiWOZ 2.0、CamRest676 和 CrossWOZ 上取得最优性能。
2023-07-10 cs.CL
UBAR: Towards Fully End-to-End Task-Oriented Dialog Systems with GPT-2
Sun Yat-sen University（中山大学）
本文介绍了我们的面向任务的对话系统UBAR模型面向任务的对话对话会话级别。具体而言，UBAR是通过在整个对话会话的序列上微调大型预训练单向语言模型GPT-2来获得的，该整个对话会话的序列由每个对话回合的用户话语、信念状态、数据库结果、系统动作和系统响应组成。此外，UBAR在更现实的设置中进行评估，其中其对话上下文可以访问用户话语及其生成的所有内容，例如信念状态，系统行为和系统响应。在MultiWOZ数据集上的实验结果表明，UBAR在多个设置中实现了最先进的性能，响应生成、策略优化和端到端建模的综合得分分别提高了4.7、3.5和9.4分。深入的分析表明，会话级的训练序列制定和生成的对话上下文是必不可少的UBAR作为一个完全端到端的面向任务的对话系统在现实生活中。我们还检查了UBAR向数据有限的新领域的传输能力，并提供了可视化和案例研究来说明UBAR在对话会话级别建模方面的优势。
2021-03-18 cs.CL
Towards Universal Dialogue Act Tagging for Task-Oriented Dialogues
Amazon（亚马逊）
用于构建面向任务的对话系统的机器学习方法需要带有标签的大型会话数据集来进行训练。我们对从人与人的对话中构建面向任务的对话系统感兴趣，这些对话可能在现有的客户服务中心日志中大量可用，或者可以从人群工作人员那里收集。注释这些数据集可能非常昂贵。最近发布了多个带注释的面向任务的人机对话数据集，但是它们的注释模式在不同的集合中有所不同，即使是对于定义良好的类别，如对话行为（DA）。我们提出了一个通用的DA模式面向任务的对话，并调整现有的注释数据集与我们的模式。我们的目标是训练一个通用DA标记器（U-DAT）的任务导向的对话，并使用它来标记人与人的对话。我们调查了多个数据集，提出了手动和自动化的方法来调整不同的模式，并在人与人对话的目标语料库上呈现结果。在无监督学习实验中，我们在人与人对话中的系统回合上获得了54.1%的F1分数。在半监督设置中，F1分数增加到57.7%，否则需要至少1.7K手动注释转弯。对于新的域，我们展示了进一步的改进，当未标记或标记的目标域数据可用。
2019-07-05 cs.AI cs.CL
UBARv2: Towards Mitigating Exposure Bias in Task-Oriented Dialogs
Sun Yat-sen University（中山大学）
本文研究了面向任务的对话系统中的曝光偏差问题，其中模型在多个回合中生成的内容在训练时驱动对话上下文远离地面真实分布，引入错误传播并损害TOD系统的鲁棒性。为了弥合多轮面向任务的对话框的训练和推理之间的差距，我们提出了会话级采样，该采样在训练期间将模型显式暴露给采样生成的对话上下文内容。此外，我们采用了基于丢弃的一致性正则化和掩蔽策略R-Mask，以进一步提高模型的鲁棒性和性能。所提出的UBARv 2在标准化评估基准MultiWOZ上实现了最先进的性能，大量实验表明了所提出方法的有效性。
2022-09-15 cs.CL
Gaining Insights into Unrecognized User Utterances in Task-Oriented Dialog Systems
IBM Research（IBM研究院）
快速增长的市场需求的自动对话代理能够面向目标的行为，导致许多技术行业的领导者投入大量精力到面向任务的对话系统。这些系统的成功高度依赖于其意图识别的准确性-推断用户请求的目标或含义并将其映射到已知意图之一以进行进一步处理的过程。因此，深入了解未识别的话语（系统无法将用户请求归因于已知意图）是持续改进面向目标的对话系统的关键过程。我们提出了一个端到端的管道处理未识别的用户话语，部署在现实世界中，商业任务导向的对话系统，包括专门定制的聚类算法，一种新的方法来集群代表提取，和集群命名。我们评估了所提出的组件，展示了它们在分析未识别用户请求方面的优势。
2022-10-24 cs.CL
Coreference Augmentation for Multi-Domain Task-Oriented Dialogue State Tracking
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Artificial Intelligence Application Research Center, Huawei Technologies（华为技术有限公司人工智能应用研究中心）
对话状态跟踪（DST）是通过估计给定对话历史的信念状态来推断用户目标的过程，在面向任务的对话系统中起着至关重要的作用。在多话轮会话中观察到的共指现象没有解决现有的DST模型，导致次优性能。在本文中，我们提出了共指对话状态跟踪器（CDST），显式模型的共指功能。特别是，在每一轮，该模型联合预测的共指域插槽对，并提取共指值的对话上下文。在MultiWOZ 2.1数据集上的实验结果表明，该模型达到了最先进的联合目标的准确率为56.47%。
2021-06-16 cs.CL
Facilitating NSFW Text Detection in Open-Domain Dialogue Systems via Knowledge Distillation
本文针对开放域对话系统中NSFW文本检测研究滞后的问题，利用GPT-4和ChatGPT知识蒸馏构建了CensorChat对话监控数据集，并微调BERT模型作为检测器，有效推进了AI对话中的用户安全保护。
2024-03-21 cs.CL
GALAXY: A Generative Pre-trained Model for Task-Oriented Dialog with Semi-Supervised Learning and Explicit Policy Injection
Alibaba（阿里巴巴）
预先训练的模型在增强面向任务的对话系统方面已被证明是强大的。然而，目前的预训练方法主要集中在提高对话理解和生成任务，而忽略了开发的对话策略。在本文中，我们提出了GALAXY，一种新的预训练的对话模型，显式地学习对话策略，从有限的标记对话和大规模的未标记的对话语料库，通过半监督学习。具体来说，我们在预训练期间引入了一个对话行为预测任务来进行策略优化，并采用一致性正则化项来在未标记对话框的帮助下改进学习的表示。我们还实现了一个门控机制来衡量合适的未标记的对话框样本。实证结果表明，GALAXY大大提高了面向任务的对话系统的性能，并在基准数据集上取得了新的最先进的结果：In-Car，MultiWOZ2.0和MultiWOZ2.1，分别将其端到端综合得分提高了2.5，5.3和5.5分。我们还表明，GALAXY有一个更强的Few-Shot能力比现有的模型在各种低资源设置。
2022-03-29 cs.CL
GECOR: An End-to-End Generative Ellipsis and Co-reference Resolution Model for Task-Oriented Dialogue
Soochow University（苏州大学）；University of Edinburgh（爱丁堡大学）；Lenovo Research AI Lab（联想研究院人工智能实验室）
省略和共指现象普遍存在，尤其是在多话轮对话中。本文将对话中省略和共指的消解视为从对话语境中生成省略或指称的问题。因此，我们提出了一个统一的端到端生成省略和共指消解模型（GECOR）的背景下的对话。该模型可以通过交替每个用户话语的生成和复制模式来生成新的语用完整的用户话语。一个多任务的学习框架，进一步提出了将GECOR到一个端到端的面向任务的对话。为了训练GECOR和多任务学习框架，我们在公共数据集CamRest676的基础上手动构建了一个新的数据集，其中包含省略号和共指注释。在这个数据集上，对省略和共指的解决的内在评估表明，GECOR模型在EM，BLEU和F1方面显着优于序列到序列（seq2seq）基线模型，而对下游对话任务的外在评估表明，我们的多任务学习框架与GECOR实现了比TSCP更高的任务完成成功率，一个最先进的端到端面向任务的对话模型。
2019-09-26 cs.AI cs.CL cs.LG
