作为面向任务的对话系统中的重要组成部分，对话状态跟踪（DST）旨在跟踪人机相互作用并生成用于管理对话的状态表示。对话状态的表示取决于域本体论和用户的目标。在几个面向任务的对话中，目标范围有限，对话状态可以表示为一组插槽值对。随着对话系统的功能扩展以支持沟通中的自然性，将对话行为处理纳入对话模型设计变得至关重要。缺乏这种考虑限制了对话跟踪模型的可扩展性，以实现特定目标和本体。为了解决这个问题，我们制定和纳入对话行为，并利用机器阅读理解的最新进展来预测多域对话状态跟踪的分类和非类别类型的插槽。实验结果表明，我们的模型可以提高对话状态跟踪在Multiwoz 2.1数据集上的总体准确性，并证明合并对话行为可以指导对话状态设计以实现未来的面向任务的对话系统。
translated by 谷歌翻译
深度神经网络（DNN）的基本限制之一是无法获取和积累新的认知能力。当出现一些新数据时，例如未在规定的对象集中识别的新对象类别，传统的DNN将无法识别它们由于它需要的基本配方。目前的解决方案通常是从新扩展的数据集中重新设计并重新学习整个网络，或者使用新的配置进行新配置以适应新的知识。这个过程与人类学习者的进程完全不同。在本文中，我们提出了一种新的学习方法，名为ACCRetionary学习（AL）以模拟人类学习，因为可以不预先指定要识别的对象集。相应的学习结构是模块化的，可以动态扩展以注册和使用新知识。在增值学习期间，学习过程不要求系统完全重新设计并重新培训，因为该组对象大小增长。在学习识别新数据类时，所提出的DNN结构不会忘记以前的知识。我们表明，新的结构和设计方法导致了一个系统，可以增长以应对增加的认知复杂性，同时提供稳定和卓越的整体性能。
translated by 谷歌翻译