直播 | DSTC 8“基于Schema的对话状态追踪”竞赛冠军方案解读
「PW Live」是 PaperWeekly 的学术直播间,旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为,单向地输出知识并不是一个最好的方式,而有效地反馈和交流可能会让知识的传播更加有意义,从而产生更大的价值。
随着人工智能和对话技术的发展,多领域人机对话系统已广泛应用于各类在线服务场景,如订餐、订票、打车、旅游线路查询、新闻查询推荐等。由于用户需求复杂,需要进行多轮陈述,还可能在对话过程中不断修改或完善需求。因此,通过对话状态追踪(Dialog State Tracking)来确定用户目标,是辅助对话策略决策的一个关键步骤。
基于寿险业务场景需求,平安人寿 AI 团队重点攻关对话式机器人技术,自主研发多款业界领先 AI 应用。凭借在对话系统方面的技术积累以及丰富的业务场景应用经验,团队在“第八届对话系统挑战赛(DSTC 8)”中,斩获包括“基于 Schema 的对话状态追踪”在内的三项任务评测世界第一。该任务要求解决对话系统的状态追踪问题,难点在于 zero-shot learning 缺乏训练语料,是业界公认的难题。
团队提出了基于机器阅读理解技术的状态追踪算法框架 paDST(Dialogue State Tracking as Machine Reading Comprehension),创新性运用完全端到端的 MRC-DST 和 WD-DST 模型,来完成整个对话追踪任务。结合大规模语料预训练的 XLNet 模型和 roBERTa 模型来实现对话状态追踪,最终实现准确率达到 86.53%,取得第一名佳绩。
本次直播将围绕该竞赛方案进行详细解读。
赛事简介:对话系统挑战赛 DSTC 由微软、卡内基梅隆大学的科学家于 2013 年发起,旨在带动学术与工业界在对话技术上的提升,在对话领域具有极高的权威性和知名度。平安人寿 AI 团队在 DSTC 8 中斩获“基于 Schema 的对话状态追踪”、“端到端的问答预测”以及“面向多领域端到端对话系统”三项赛事世界第一,并受邀在 AAAI 2020 workshop 发表论文。
直播信息
分享主题:DSTC 8“基于 Schema 的对话状态追踪”竞赛冠军方案解读
分享时间:2020 年 6 月 18 日(周四)19:00
课程提纲:
任务介绍
对话追踪槽位分析
MRC-DST 与 WD-DST 介绍
实验结果与分析
总结和 DST 展望
课程亮点:
创新性使用端到端的阅读理解模型解决不可枚举槽追踪问
联合 RoBERTa 和特征工程,将 Wide & Deep 思想用于解决可枚举槽追踪问题
大规模预训练模型在 DSTC 8 应用中的一些 Trick
嘉宾介绍
马跃 / 平安人寿高级算法工程师
马跃,平安人寿人工智能研发团队高级算法工程师,本硕毕业于北京邮电大学,主要研究方向为自然语言处理、人机对话系统。
直播地址 & 交流群
本次直播将在 PaperWeekly B 站直播间进行,扫描下方海报二维码或点击阅读原文即可免费观看。线上分享结束后,嘉宾还将在直播交流群内实时 QA,在 PaperWeekly 微信公众号后台回复「PW Live」,即可获取入群通道。
B 站直播间:
https://live.bilibili.com/14884511
合作伙伴
????
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。
直播 | DSTC 8“基于Schema的对话状态追踪”竞赛冠军方案解读相关推荐
- 实录 | DSTC 8“基于Schema的对话状态追踪”竞赛冠军方案解读
本文将回顾平安人寿近期在 PaperWeekly 直播间进行的主题为「DSTC 8"基于 Schema 的对话状态追踪"竞赛冠军方案解读」的技术分享,由平安人寿 AI 团队高级算法 ...
- 今晚直播 | 高效视频理解模型的设计及ICCV比赛冠军方案解读
「PW Live」是 PaperWeekly 的学术直播间,旨在帮助更多的青年学者宣传其最新科研成果.我们一直认为,单向地输出知识并不是一个最好的方式,而有效地反馈和交流可能会让知识的传播更加有意义, ...
- 直播 | SemEval-2020自由文本关系抽取冠军方案解读(附NLP竞赛常用技巧总结)
「PW Live」是由 PaperWeekly 和 biendata 共同发起的学术直播间,旨在帮助更多的青年学者宣传其最新科研成果.我们一直认为,单向地输出知识并不是一个最好的方式,而有效地反馈和交 ...
- 任务型对话(二)—— DST(对话状态追踪)
1,概述 关于任务型对话的简介看任务型对话(一)-- NLU(意识识别和槽值填充). 首先我们来看下对话状态和DST的定义. 对话状态:在$t$时刻,结合当前的对话历史和当前的用户输入来给出当前每个s ...
- 直播预告 | 高效视频理解模型的设计及ICCV比赛冠军方案解读
「PW Live」是 PaperWeekly 的学术直播间,旨在帮助更多的青年学者宣传其最新科研成果.我们一直认为,单向地输出知识并不是一个最好的方式,而有效地反馈和交流可能会让知识的传播更加有意义, ...
- 对话系统-“任务型”多轮对话(二):对话状态追踪(DST)【基于规则;基于模型】【输入:当前意图和槽值对+历史槽值对;输出:State(槽值对集合)或State Vector 】【为DP做数据准备】
在任务型的对话系统中,对话状态跟踪(DST)的目标是从对话历史中监控对话的状态. DST的输入:Intent+Slot+History:输出:State或State Vector DST中的State ...
- Gavin老师Transformer直播课感悟 - 基于Retrieval的具有Fine-grained架构的对话系统(二)
一.Related work介绍 最近的研究多集中于在基于retrieval的多轮对话系统中,当一个包含多轮对话的上下文被提供时,系统应该如何选择最合适的响应,如使用BERT对上下文序列进行编码,产生 ...
- JAVA直播间功能_java如何实现秀场直播功能?基于即构SDK开发
原标题:java如何实现秀场直播功能?基于即构SDK开发 目前,直播市场一片火热,直播已经广泛应用于娱乐.会议.培训.商演等活动中,给各行业带来了不少经济效益.不过当下很多商家平台并没有直播经验,也不 ...
- Spring-AOP 基于Schema配置切面
概述 简单切面配置实例 示例 配置命名切点 示例 各种增强类型的配置 示例 绑定连接点信息 Advisor配置 概述 如果项目不能使用Java5.0, 那么就无法使用基于@AspectJ注解的切面. ...
最新文章
- Caffe源码中common文件分析
- 最全的Centos6.10详细安装Oracle 11G R2图文教程
- A query was run and no Result Maps were found for the Mapped Statement....
- ubuntu上训练yolov3: Caught ValueError in DataLoader worker process 0. string indices must be integers.
- java连接sqlserver非默认实例连接字符串设置
- 转帖:李开复的“创新工厂”为何失败?原作者QuarterThousand
- 论文笔记--跨模态间的人脸与人名对齐方法研究-2012
- 互联网大牛们的电脑桌面,佩服!
- 前端能改变session吗_编程真的能改变思维方式吗?「渡一教育」
- OPENCV 函数cvCreateMat
- I/O资源如何映射到内核虚拟空间
- fiddler过滤配置
- 十万个为什么哪个版本适合小学生阅读
- U-net网络框架 学习笔记
- SDN架构技术报告:北向与南向协议
- OpenHarmony成长计划学生挑战赛解读
- linux 命令行 英语词典
- 武大计算机科学与技术弘毅学堂,武汉大学研究生精品课-百余新学子体验“弘毅学堂”...
- 自制FOC控制驱动器
- 20170922在arduino IDE添加mega16\32\64\128 mcu支持
热门文章
- 如何在tomcat下应用部署日志_如何在kubernete集群上部署springboot应用
- css样式命名规则(仅供参考)
- c++ 类 A类调用B类
- art-template在项目中的应用
- 大数据入门基础系列之初步认识大数据生态系统圈(博主推荐)
- Spring + Mybatis 使用 PageHelper 插件分页
- android 方向控制界面,Android Studio屏幕方向以及UI界面状态的保存代码详解
- linux清理swap内容,Linux如何清理swap.buffer及cache等缓存
- lolfps高但画面不流畅_全面解析:高刷新率真能提高FPS游戏技术?
- java 数组怎么求和_java数组排序,并将数组内的数据求和