A Network-based End-to-End Trainable Task-oriented Dialogue System

最新推荐文章于 2023-05-25 14:01:26 发布

ryanloucc

最新推荐文章于 2023-05-25 14:01:26 发布

阅读量3.7k

点赞数 2

分类专栏： NLP Related

本文链接：https://blog.csdn.net/u014300008/article/details/53212915

版权

本文探讨了构建task-oriented对话系统面临的挑战，包括数据稀缺问题。研究对比了强化学习和seq2seq模型的方法，并提出了一种结合两者的策略。论文介绍了一个利用LSTM和CNN的框架，通过整合业务信息和历史对话，降低对训练数据的依赖，减少了模板设计的复杂性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

关键词

end2end, task-oriented dialogue system

arXiv 2016.04.15

当前构建一个诸如宾馆预订或技术支持服务的 task-oriented 的对话系统很难，主要是因为难以获取训练数据。现有两种方式解决问题：

将这个问题看做是 partially observable Markov Decision Process (POMDP)，利用强化学习在线与真实用户交互。但是语言理解和语言生成模块仍然需要语料去训练。而且为了让 RL 能运作起来，state 和 action space 必须小心设计，这就限制了模型的表达能力。同时 rewad function 很难设计，运行时也难以衡量
利用 seq2seq 来做，这又需要大量语料训练。同时，这类模型无法做到与数据库交互以及整合其他有用的信息，从而生成实用的相应。

本文提出了平衡两种方法的策略。