摘要

现代对话系统的核心组件之一是信念跟踪器，它在对话的每一步估计用户的目标。然而，大多数当前的方法在扩展到更大、更复杂的对话领域时面临困难。这主要是由于它们依赖于：a) 需要大量标注训练数据的语音语言理解模型；或 b) 用于捕捉用户语言中某些语言变异的手工构建词汇表。我们提出了一种新颖的神经信念跟踪（Neural Belief Tracking, NBT）框架，该框架通过利用近期表示学习的进展克服了这些问题。NBT 模型基于预训练的词向量进行推理，学习将这些词向量组合成用户话语和对话上下文的分布式表示。我们在两个数据集上的评估表明，这种方法超越了以往的限制，在依赖手工构建语义词汇表的情况下性能与最先进的模型相当，在没有提供此类词汇表时则优于这些模型。