【每周NLP論文推薦】 對話管理中的標誌性論文介紹

• 2019 年 10 月 6 日
• 筆記

歡迎來到《每周NLP論文推薦》。在這個專欄里，還是本着有三AI一貫的原則，專註於讓大家能夠系統性完成學習，所以我們推薦的文章也必定是同一主題的。

對話管理（Dialog Management, DM）控制着人機對話的過程，DM 根據對話歷史信息，決定此刻對用戶的反應。其主要功能包括：對話狀態維護，生成系統決策，作為接口與後端/任務模型進行交互，答案生成等。

雖然狀態機是常見的DM管理手段，但本篇不做介紹。本篇主要介紹用機器學習的方法進行對話策略管理的一些標誌性論文。

作者&編輯 | 小Dream哥

1 CRF

第一篇介紹用機器學習方法進行對話狀態管理的論文，文中介紹了用貝葉斯網絡進行狀態控制的理論和方法，蠻有啟發意義。

文章引用量：較少

推薦指數：✦✦✦✧✧

[1] Henderson M. Machine Learning for Dialog State Tracking: A Review[J]. 2015.

2 NN based

最早的引入神經網絡進行對話狀態管理的研究，可以參考下他的思想。

文章引用量：100+

推薦指數：✦✦✦✦✧

[2] Henderson M. Deep Neural Network Approach for the Dialog State Tracking Challenge[J]. 2013

[3]Neelakantan A , Roth B , Mccallum A . Compositional Vector Space Models for Knowledge Base Completion[J]. Computer Science, 2015:1-16.

3 stateNet

隨着NLP的發展，DM也不斷發展，開始引入狀態網絡等概念，不斷的豐富對話管理的內容。

文章引用量：較多

推薦指數：✦✦✦✦✦

[4] Liliang Ren et al. Towards universal dialogue state tracking. Computer Science, 2018 EMNLP.

4 RL

在對話管理的研究中，強化學習是最近非常熱的方向，這一篇是其中比較重要的工作。

文章引用量：較多

推薦指數：✦✦✦✦✦

[5] Lipton Z C , Li X , Gao J , et al. BBQ-Networks: Efficient Exploration in Deep Reinforcement Learning for Task-Oriented Dialogue Systems[J]. 2016.

5 如何獲取文章與交流

找到有三AI開源項目即可獲取。

https://github.com/longpeng2008/yousan.ai

轉載文章請後台聯繫

侵權必究