Task-Oriented Dialogue System

March 01, 2020 ( last updated : March 01, 2020 )
dialogue topics

---

简介

---

任务导向型对话系统（Task-Oriented Dialogue System）指特定条件下提供信息或服务的对话系统。通常是为了满足带有明确目的的用户，例如查餐厅、找酒店、订机票等任务场景。如今越来越多的被应用到实际的场景中，例如siri，阿里小密这类产品。

传统的Pipeline结构的任务型对话系统由4个关键模块组成：

• 自然语言理解（NLU）:NLU模块主要完成领域识别、意图识别、槽填充，通常采用分类和序列标注的相关技术
• 对话状态追踪（DST）:DST模块用于追踪多轮对话的状态信息，最新的工作已与NLU模块融合，可采用分类模型、序列到序列模型等技术
• 对话策略学习（DPL）:DPL模块主要用于学习不同对话状态下的对话策略，通常采用深度强化学习的相关技术
• 自然语言生成（NLG）:NLG模块负责生成自然语言形式的系统回复，通常采用序列到序列的深度学习模型

目前，任务型对话系统正在逐渐向端到端的生成式对话系统发展。在保证任务型对话的基本流程不变的情况下，利用神经网络和强化学习等技术来增强对话性能。

近两年我们相关的进展

---

• “面向任务导向型对话的端到端省略和共指消解模型”
  Jun Quan, Deyi Xiong, Bonnie Webber and Changjian Hu. GECOR: An End-to-End Generative Ellipsis and Co-reference Resolution Model for Task-Oriented Dialogue. EMNLP 2019. Long Paper.

  我们提出了一个端到端的生成式模型，将多轮对话中存在的省略和指代现象在一个统一的模型中解决。我们还将该模型与任务导向型对话系统相结合，提出一个多任务学习框架，利用省略和指代消解任务帮助提升对话任务的成功率。另外，我们基于一个公开数据集人工标注了省略和指代信息，发布了一个新数据集。

• “面向端到端的任务导向型对话的有效数据增强”
  Jun Quan, Deyi Xiong. Effective Data Augmentation Approaches to End-to-End Task-Oriented Dialogue. IALP 2019

  任务导向型对话的数据非常稀缺，我们分别从词级别和句级别出发，提出使用四种不同的方式对任务导向型对话进行数据增强。最终帮助端到端的任务型对话系统取得最佳性能。

---

Related posts :

• Question Generation
• Question Answering
• Machine Translation