本文为李弘毅老师【Dialogue State Tracking (as Question Answering)】的课程笔记，课程视频youtube地址，点这里👈(需翻墙)。

下文中用到的图片均来自于李宏毅老师的PPT，若有侵权，必定删除。

文章索引：

上篇 - 7-12 Controllable Chatbot

下篇 - 无

总目录

1 什么是Dialogue State Tracking

Dialogue State Tracking是Task-oriented Dialogue的一个子模块。先来讲一下Task-oriented Dialogue是什么。Task-oriented Dialogue的输入是用户当前说的话和历史的对话记录，如果用户的输入是语音，会有一个额外的ASR模块将输入转成文字，同时也会有一个额外的TTS模块将输出转为语音。用户的输入会经过一个理解模块NLU(Natural language understanding)，输出会交给state tracker，也就是本文的核心内容。state tracker会从当前的输入中抽取有用的信息，保存下来。同时历史的输入都会以相同的形式把有用的信息保存下来。这些存下来的信息会以state的形式交给决策模块(Policy)。Policy会告诉生成模块NLG(natural language generation)该输出什么内容。最后NLG输出回应用户的话。

说了一大堆，其实简单来说Dialogue State Tracking就是上面的state tracker，目标是把用户说的话简化为一个有用的信息库，也可以理解为做了摘要。下图比较形象地说明了这一过程。这么多的对话，最终变成了key-value的键值对。

这些keys是人为事先定义好的内容，而value都是选择题，也是人为规定好的选项。因为现在的Dialogue State往往有很多的keys，所以key会有domain和slot两个部分组成，用来区别和归类不同的keys，方便模型处理，也方面模型的迁移。

总之，Dialogue State Tracking就是根据对话内容，填写事先设定好的keys的values是什么的问题。

2 数据集

Dialogue State Tracking比较著名的数据集有MultiWOZ 2.0，SGD，CrossWOZ等等。这里的这个WOZ就是取自绿野仙踪(The Wizard of Oz)，绿野仙踪里最终的大BOSS是一个老头子在幕后操纵的。这里的数据集也是用人来伪装成AI和人对话得到的数据，没错就是人和人对话，AAI(Artificial Artificial Intelligence)。

3 两个挑战

Dialogue State Tracking的values要做成很多个选项是因为之前的方案都把这个当作一个分类问题，输出的是一个类别，但比如电话号码，时间等一些难以穷举的选项，这个方法就行不通了，这是一个挑战。

另一个挑战是有新的keys进来，模型就要重新train过，数据也要重新构造过，迁移成本大。

总结一下：

• 有些value难以穷举
• 新的key进来，迁移成本大

这两个问题，都可以用QA(Question Answering)的方法解决。QA的结构如下图所示，我们把Dialogue history作为source输入，然后根据key问出相应的问题让模型来回答即可。这样模型回去从source中找一个span作为答案，解决了value难以穷举的问题。然后针对domain不同，slot相同的问题，改一下问题的domain即可，解决了迁移的问题。当然前提是这个QA模型是ok的。

4 经典模型

Dialogue State Tracking比较经典的模型就是TRADE，其结构如下图所示。Dialogue会经过一个encoder抽取特征，同时key的domain和slot会分别取embedding，然后加在一起作为question部分的输入，同时也会和Dialogue的encoder输出作一个attention。attention的结果会是一个slot gate，决定了是PTR（从对话中抽取一个span），还是DONTCARE（用户不在乎），还是NONE（还没提到这个key）。根据这个决定，state generator会输出最终的结果。

因为key会分别抽取domain和slot的embedding，所以这个方法是可以适用于应的key的，这也意味着是可以解zero-shot的问题的。

有些key会有一些description，抽取这些description的embedding也是解决zero-shot问题的方法。

其他还有一些变形，比如Slot Carryover Prediction认为每说一句话都要把所有的keys问一遍太费时费力了，于是就设计了一个“是否同上”的classifier来帮助避免问一些已经知道且没有被修改的keys；DST QA认为有些keys之间的values是有关联的，比如知道了要订哪家饭店，那么叫的出租车的目的地很可能就是这家饭店，然后设计了一个模块来解决这个问题；SimpleTOD基于GPT-2设计了一个end-to-end的方法，用户说一句话，模型输出一句话，效果出奇地好。