对话状态追踪任务难点中在一些经典的学术对话数据集中，DST 任务普遍存在的挑战有哪些？
对话状态追踪任务难点中在一些经典的学术对话数据集中，例如 MultiWOZ[4],CrossWOZ[5]等，DST 任务普遍存在的挑战有哪些？
展开
收起
1
条回答
写回答
写回答
-
不同槽之间的取值存在指代关联。例如用户在前几轮交互已经预定好了某家餐馆，在当前轮时，用户说 “我还想要该餐馆附近的一家酒店”，那么隐含地，酒店的area 槽值应当和餐馆的 area 槽值是一致的，这需要DST模型有能力识别出来。 用户隐含接受系统推荐。例如，当系统推荐某家酒店时，用户针对推荐的结果的态度既可以是正面的表达（that’s great），也可以是非正面的表达（hold on please），对应的hotel-name 槽也就会填或不填。 真实用户表达丰富多样，增大解析难度。例如，在DST任务中，每个槽有一个特殊的槽值叫 dontcare，用于表示用户对该槽可选取所有值，即没有特定值限制。在 MultiWOZ 数据集中，用户对于 dontcare 的表达多样性很大，十分考验模型的语言理解能力。
2022-05-12 17:05:19赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
