Richtung End-to-End-Lernen für die Dialogzustandverfolgung und -verwaltung mithilfe von Deep Reinforcement Learning

Dieses Papier präsentiert ein End-to-End-Framework für aufgabenorientierte Dialogsysteme unter Verwendung einer Variante von Deep Recurrent Q-Networks (DRQN). Das Modell ist in der Lage, mit einer relationalen Datenbank zu interagieren und gleichzeitig Strategien sowohl für das Sprachverständnis als auch für die Dialogstrategie zu erlernen. Darüber hinaus schlagen wir einen hybriden Algorithmus vor, der die Stärken des Reinforcement Learnings und des überwachten Lernens kombiniert, um eine schnellere Lerngeschwindigkeit zu erreichen. Wir haben das vorgeschlagene Modell in einem Konversationsspiel-Simulator namens 20 Question Game evaluiert. Die Ergebnisse zeigen, dass die vorgeschlagene Methode die modular-basierte Basislinie übertrifft und eine verteilte Darstellung des latenten Dialogzustands erlernt.