这篇顶会，助你徒手搭建任务导向对话系统

AI TIME欢迎每一位AI爱好者的加入！

近年来，任务导向对话受到了越来越多的关注，涌现出许多数据集和基于神经网络的模型。第二期AI Time PhD对话系统专题分享的直播间，我们邀请到清华大学计算机系2018级博士生、交互式人工智能组成员朱祺，为大家介绍最新研究成果。

为了推动多领域对话的研究和填补中文数据的空白，朱祺及其团队提出了CrossWOZ，第一个中文大规模任务导向对话数据集，文章发表于TACL 2020。此外，为了对多种形式构建的对话系统进行统一端到端评测，开发了ConvLab-2对话平台，支持用最新的模型快速搭建、评估、诊断对话系统，被ACL 2020 demo track接收。特别提醒：ConvLab-2和CrossWOZ将被用于今年DSTC9比赛呢！小伙伴们是不是都蠢蠢欲动了呢？

一、回顾任务导向对话系统

一个典型的基于管道方法的任务导向对话系统由四个模块组成：

-自然语言理解（NLU）：对来自用户的自然语言描述进行识别，解析成结构化的信息；

-对话状态追踪（DST）：更新当前对话的状态，和背后数据库或知识库进行交互，查询满足用户条件的实体；

-对话策略（DP）：根据当前对话状态，选择下一步系统需要回复的结构化信息

-自然语言生成（NLG）：将接收的结构化信息转换成自然语言，并反馈给用户。

图：典型管道方法任务导向型对话系统框架

现实生活的对话不局限于单个领域，人们很容易在不同场景之间来回切换，同时仍保持上下文的连贯，比如下图从景点过渡到酒店场景，酒店的约束条件由景点决定。用户根据系统推荐的内容选择结果，根据结果修改其他领域的约束。因此，本文提出了CrossWOZ，第一个大规模中文多领域任务导向对话数据集。

 

你好哇，我要去评分4.5以上的景点。

天安门城楼，簋街小吃和北京欢乐谷都是很不错的地方呢。

 

 

我喜欢北京欢乐谷，你知道这个景点周边的酒店都是什么吗?

那可多了，有A酒店, B酒店, C酒店。

 

请输入文字