多领域端到端任务型对话系统研究分享课程简介：前往报名学习
目前端到端任务型对话系统已经取得了一定的成功，但是现有的系统很少关注于多领域场景。在对话数据标注十分困难的情况下，如何有效利用所有领域的数据来提高每一个对话领域(尤其是数据稀少的领域)性能的多领域端到端任务型对话系统是一个值得研究的方向。 本次将重点分享我们在ACL2020的工作，一个基于动态聚合网络的多领域端到端任务型对话系统，该系统不仅取得了目前的SOTA效果，并且在few-shot场景下取得了12.6%的显著提升。 亮点： 1.我们在端到端任务型对话系统提出使用shared-private框架去捕获领域共有和领域特定的特征，并进一步提出动态聚合函数取学习不同领域之间的相关性。 2.我们的模型仅取得了目前的SOTA效果，并且在few-shot场景下取得了12.6%的显著提升，能够很快适配到新的领域。
播放：34次，课程ID：5656802
目前端到端任务型对话系统已经取得了一定的成功，但是现有的系统很少关注于多领域场景。在对话数据标注十分困难的情况下，如何有效利用所有领域的数据来提高每一个对话领域(尤其是数据稀少的领域)性能的多领域端到端任务型对话系统是一个值得研究的方向。 本次将重点分享我们在ACL2020的工作，一个基于动态聚合网络的多领域端到端任务型对话系统，该系统不仅取得了目前的SOTA效果，并且在few-shot场景下取得了12.6%的显著提升。 亮点： 1.我们在端到端任务型对话系统提出使用shared-private框架去捕获领域共有和领域特定的特征，并进一步提出动态聚合函数取学习不同领域之间的相关性。 2.我们的模型仅取得了目前的SOTA效果，并且在few-shot场景下取得了12.6%的显著提升，能够很快适配到新的领域。
No list
覃立波，哈尔滨工业大学社会计算与信息检索研究中心(SCIR)在读博士生，导师车万翔教授，创立知名公众号“机器学习算法与自然语言处理”及同名知乎专栏，研究兴趣为任务型对话系统，以第一作者曾在ACL、EMNLP、AAAI、IJCAI发表论文多篇。