arXiv 2310.145132023-10-23cs.CL

对话状态跟踪的轮次级主动学习

Turn-Level Active Learning for Dialogue State Tracking

University of Technology Sydney（悉尼科技大学）；University of Liverpool（利物浦大学）；University College London（伦敦大学学院）；University of Wollongong（伍伦贡大学）

Zihan Zhang, Meng Fang, Fanghua Ye, Ling Chen, Mohammad-Reza Namazi-Rad

备注：: EMNLP 2023 Main Conference

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

针对任务导向对话系统中对话状态跟踪（DST）数据逐轮标注成本高的问题，提出一种新型轮次级主动学习框架，通过主动选择对话轮次进行标注，在显著减少标注数据量的同时实现与传统方法相当的DST性能。

摘要：

对话状态跟踪（DST）在任务导向的对话系统中扮演重要角色。然而，收集大量逐轮标注的对话数据既昂贵又低效。在本文中，我们提出了一种用于DST的新型轮次级主动学习框架，以主动选择对话中的轮次进行标注。在有限的标注预算下，实验结果证明了对对话轮次进行选择性标注的有效性。此外，我们的方法能够有效实现与传统训练方法相当的DST性能，且所需标注数据显著减少，这为标注新对话数据提供了一种更高效的方式。

英文摘要：

Dialogue state tracking (DST) plays an important role in task-oriented dialogue systems. However, collecting a large amount of turn-by-turn annotated dialogue data is costly and inefficient. In this paper, we propose a novel turn-level active learning framework for DST to actively select turns in dialogues to annotate. Given the limited labelling budget, experimental results demonstrate the effectiveness of selective annotation of dialogue turns. Additionally, our approach can effectively achieve comparable DST performance to traditional training approaches with significantly less annotated data, which provides a more efficient way to annotate new dialogue data.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。