论文分享《一个大型的中文跨域任务导向对话数据集》

文章中针对中文多域对话任务数据集短缺的问题，提出了一个大型的中文跨域任务导向对话的数据集crossWOZ

5个大领域：分别为景点，餐厅，酒店，地铁，出租车 

相比较于之前的中文对话数据集，crossWOZ有以下几个特点：

1.在对话中，用户在某个领域的选择可能会影响到与之相关的领域的选择。

2.这是第一个中文大规模多领域任务导向对话数据集，包含6K个对话，102K个句子，涉及5个领域，平均每个对话涉及3.2个领域，远超过之前的多领域对话数据集，增添了对话管理的难度。

3.标注信息全面，可用于研究任务导向对话系统中的各个方面。

这篇文章主要介绍了对话信息收集的过程，并对语料库进行了详细的数据分析，统计数据表明，我们的跨领域对话是复杂的。

根据对话代理是人还是机器，可以将现有的面向任务的对话数据集的收集方法分为以下三类，第一类就是人与人之间的对话；第二类是人与机器的对话，这就需要一个对话系统来与人类进行对话，还有就是机器对机器

数据的收集过程

收集数据时模拟的对话场景是一名游客向系统咨询北京的旅游信息，分为以下几个步骤：

1领域数据库构建：网络爬取

2.用户目标生成：通过随机采样的方式生成各领域的目标

3.对话数据收集：雇佣人员在线匹配进行实时对话

4.数据处理：使用一些规则根据用户和系统的状态推到出对话意图

数据统计

将对话分为5中类型，单领域S，多领域M，多领域加交通M+T，跨领域CM，跨领域加交通CM+T。交通代表了地铁和出租领域，M和CM的区别是有没有跨领域的约束。

基线模型

由于丰富的标注信息，CrossWOZ数据集可用于多种任务的研究。在该论文中提供了NLU、DST、Policy、NLG的基线模型。实验说明跨领域的约束对于各个任务都有挑战性。