摘要

对话状态跟踪是在给定对话上下文的情况下估计用户目标和请求的关键组成部分，对于任务导向型对话系统尤为重要。本文提出了一种全局局部自注意力对话状态跟踪器（Global-Locally Self-Attentive Dialogue State Tracker, GLAD），该模型通过全局-局部模块学习用户话语和先前系统动作的表示。我们的模型使用全局模块在不同类型的对话状态（称为槽位）的估计器之间共享参数，并使用局部模块学习特定槽位的特征。实验结果表明，这种方法显著提高了对稀有状态的跟踪效果，并在WoZ和DSTC2对话状态跟踪任务中达到了最先进的性能。GLAD在WoZ数据集上取得了88.1%的联合目标准确率和97.1%的请求准确率，分别比之前的工作提高了3.7%和5.5%。在DSTC2数据集上，我们的模型获得了74.5%的联合目标准确率和97.5%的请求准确率，分别比之前的工作提高了1.1%和1.0%。