《Semantically Conditioned Dialog Response Generation via Hierarchical Disentangled Self-Attention》

来源：ACL 2019
代码：https://github.com/wenhuchen/HDSA-Dialog

一、摘要

基于pipeline的任务型对话系统可以拆解成以下四个部分，其中NLU为意图槽位理解，DST为对话历史并能根据当前用户query更新状态，Policy learning为根据用户需求判断下一步action（也就是论文中提到的dialog act），NLG为对话生成。本论文目标是提高后两步的性能。

示例如下：

创新点：将dialog act表示成图结构，并使用了独立多头self-attention（Disentangled Self-Attention，DSA）。

二、Dialog Act表示

定义：dialog act是一个语言序列的语义状态，包括action、意图、槽位名、槽位值。
论文将dialog act表示成(domain, action, slot)三元组，比如hotel-inform-location、hotel-inform-name等。表示dialog act的结构有两种方式，分别为树结构和图结构。假设domain数n1，action数n2，slot数n3。