端到端的面向任务型对话系统多任务优化模型

在对话系统中的自然语言理解模块中存在着意图检测与插槽填充两个任务，这两个任务之间存在着极强的相关性，即插槽信息的生成高度依赖于意图信息。然而，现有工作大部分将其视为两个独立任务实现，导致对话系统的准确率无法得到进一步提升。为此，针对对话系统中意图检测任务与插槽填充任务之间的相关性信息，在已有工作的基础上提出了端到端的基于Stack-Propagation(堆栈传播)思想实现的网络模型。该模型在解码器阶段借鉴并改进了Stack-Propagation框架的思想，即将意图检测的结果加入到插槽填充任务的输入中，使用意图检测的结果去进一步指导插槽填充任务的进行。通过在斯坦福多领域对话数据集上进行实验，证明该模型不仅可以充分利用意图检测任务与插槽填充任务之间的相关性信息，还可以通过联合学习达到相互促进的效果，最终有效提高对话系统的准确率。