.png){kind=icon}
返回
Multi-task learning with graph attention networks for multi-domain task-oriented dialogue systems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2022.110069.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
面向任务的对话系统 (TOD) 是人工智能的重要应用。在过去的几年中，有关多域TODs的工作吸引了越来越多的研究关注，并取得了很大的进展。这种对话系统的主要挑战是找到处理跨域时隙共享和对话行为时间计划的方法。然而，现有的研究很少考虑模型对对话历史的推理能力; 此外，现有的方法忽略了本体模式的结构信息，这使得它们不适合处理多领域TODs。在本文中，我们提出了一个配备图注意力网络 (GATs) 的多任务学习框架，以探讨上述两个挑战。在该方法中，我们探索了由对话上下文子图和本体模式子图组成的对话状态GAT，以缓解跨域插槽共享问题。我们进一步使用本体子图中的更新节点构建GAT增强的内存网络，以过滤掉不相关的节点以获取所需的对话状态。对于对话行为时间规划，提出了相似的GAT和相应的记忆网络，以获得细粒度的对话行为表示。此外，我们设计了一个实体检测任务来提高软门的能力，它确定生成的令牌是来自词汇表还是知识库。在训练阶段，四个训练任务被组合并同时优化，以促进响应生成过程。自动和人工评估的实验结果表明，与MultiWOZ 2.0和MultiWOZ 2.1数据集上的最新模型相比，所提出的模型获得了更好的结果。（c）2022 Elsevier B.V. 版权所有。
Keyword:
Task-oriented dialogue system
Natural response generation
Graph attention network
Memory network
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
分享收藏Fine-grained Question-Answer sentiment classification with hierarchical graph attention network.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容