自然语言处理的国际顶级会议 ACL2019 刚在文艺复兴的发源地-意大利的佛罗伦萨落下帷幕，最佳论文等各奖项也都名花有主。本文概述了ACL对话与交互系统中的报告论文，16 篇优秀论文看这篇文章就行。

这次会议共接收到投稿 2905 篇，比 2018 的 1544 近乎翻倍，接收文章数为 660 篇，接收率为 22.7%，与 2018 年的 24.9%，2017 年的 23.3% 差别不大。

这次会议包含了 22 个主题，中国学者表现出色，长文投稿 567 篇，被接收 118 篇，接收率在 20.8%，仅次于美国的 154 篇，并且斩获了本次会议的最佳论文奖项。

我们对对话系统比较关注，因而梳理了会议中 Dialog and Interactive Systems（对话和交互系统）下的文章，该主题共接收长文 38 篇，有 16 篇在会议中做了报告。下面介绍报告中的相关论文。

本次会议中，Dialog and Interactive Systems 分了三个 section，分别是 Neural Conversation Models, Task-Oriented Dialog, 和 New Task。

神经网络对话模型（Neural Conversation Models）

这个 section 的工作，是在给定对话历史的情况下，如何通过模型来选择对话中最优的回答：

论文 1：Boosting dialog response generation
作者：WenChao Du，Alan W Black
论文链接：https://www.aclweb.org/anthology/P19-1005

文章针对对话系统中容易出现的通用和一般性回答，做了些优化来提升生成对话文本的相关性和多样性。其工作，是基于 RAML（Reward-augmented Maximum likelihood learning, Norouzi 2016）模型：该模型的目标是最大化预测的分布 y*在模型中条件概率分布 p（y|x），并在模型迭代中采用连乘的 boosting，使每一轮迭代能更好的模拟分布。

本文的优化，是在模型迭代中假设训练数据的分布服从均匀分布，来简化 boosting 的过程，并把这个假设扩展到 RAML 模型的指数回报分布（exponential payoff distribution）中：

在实验中，作者发现通用的回答也不一定总是有低混淆度 Perplexities（Li 2017b），而高混淆度会在迭代中增强对应的回答的权重，导致通用回答在后面的迭代中出现的频率越来越高。普通的区分模型，是通过学习人产生的回答与生成式回答的差异，但在这，生成式回答数量太少，模型能轻易记住所有人类的回答，导致模型不好泛化。

作者采用了一个基于规则的区分模型：在每次迭代中，保留一个最常出现的生成式回复的列表，并用一个简单的二分函数来判断两个回复是否相似，用这个相似得分去更新数据的权重。最后在 Persona Dataset（zhang 2018）上做了实验验证，表明模型在 BLUE 上和现有的模型接近，ROUGH 值有时会变差，但是在多样性的指标上，比如不同 n-gram 的个数，则有明显的提升。

论文 2：：Do Neural Dialog Systems Use the Conversation History Effectively? An Empirical Study
作者：Chinnadhurai Sankar，Sandeep Subramanian，Christopher Pal，Sarath Chandar，Yoshua Bengio
论文链接：https://www.aclweb.org/anthology/P19-1004

Bengio 大神署名的文章，主要是研究现有的神经网络模型是否有效利用了对话历史，其方法，是在对话历史中加入一点扰动，比如，改变对话数据的先后顺序，或者改变词的顺序，然后看模型计算的条件概率是否有变化。需要注意的是，扰动只是发生在预测阶段，而训练阶段，是没有对数据做修改的。

文章在 4 个数据集上（bAbI dialog，Persona Chat，Dailydialog，MutualFriends），加入了 10 种不同的扰动（随机打乱句子序列，去掉某个整句，句子截断，去掉句子中的名词或动词等），发现 seq2seq 的 model（Bahdanau 2015），以及 transformer 的 model（Vaswani 2017）等对这些扰动都不敏感。

论文 3：Constructing Interpretive Spatio-Temporal Features for Multi-Turn Response Selection
作者：Junyu Lu，Chenbin Zhang，Zeying Xie，Guang Ling，Chao Zhou，Zenglin Xu
论文链接：https://www.aclweb.org/anthology/P19-1006

本文通过加入时序和空间上的 feature，来解决对话系统中的回复句子的选择问题。方法分两步，第一步是通过软对齐来获取上下文和回复之间的关联信息；第二步是在时间维度聚合注意力的映像，并用 3D 卷积和池化来抽取匹配信息。模型分表达模块（Representation module）和匹配模块（Matching block）两部分，如图 1，表达模块用的是 Bi-GRU，匹配模块用的是深度 3D 卷积网络（Ji 2013）。

图 1

时序和空间上的匹配体现在如下过程中：句子空间上的关联，通过 attention 机制来构建；时间上的关联，则是把不同时间维度上的 3D 特征扩展成 4D「方块」（cube），之后采用类似 2D 卷积核对 3D 数据的处理流程，这里用 3D 卷积核来处理 4D 数据，并在 3D 上进行池化操作。最后再加上一个 softmax 进行分类。

方法在两个数据集上，和 Dual LSTM Encoder（lowe 2015b），Dual Multi-turn Encoder，Sequential Matching Network（Wu 2017），Deep Attention Matching Network(Zhou 2018) 比较了 R@1 和 MRR，得到了较好的比较效果。

论文 4：Improving Multi-turn Dialogue Modelling with Utterance ReWriter
作者：Hui Su，Xiaoyu Shen，Rongzhi Zhang，Fei Sun，Pengwei Hu，Cheng Niu，Jie Zhou
论文链接：https://www.aclweb.org/anthology/P19-1003

这是一篇来自腾讯和阿里的文章。本文的想法，是通过语句改写，来解决多轮对话中信息省略和引用的问题。通常，在多轮对话中，后续的问句会和前面的问句存在部分指代关系，因而后续问法会省略到部分信息。

如图 2 所示的，第一句「梅西有多高」，第二句「他和 C 罗谁是最好的球员？」，这里的「他」指代的就是前面的「梅西」。这种指代或者信息省略的情况，使得机器很难去理解对话的真实意图。因而，本文的工作，是构建一个模型来生成补全信息后的句子。

图 2

为了让模型学习到自动补全的能力，本文作者花时 4 个月，建立了一个补全的对话数据集。原始数据由 20 万中国主流社交网站上的多轮对话组成，标注人员在标注时，进行判定：对话是否有指代，或者有信息省略，或者两者都没有。

统计表明，只有 30% 左右的对话是没有指代和省略的。然后标注人员需要提供改写后的信息补全的句子。最终，数据集包含了 4 万高质量的多轮对话样例，正负样本（有改写的为正样本，无改写的为负样本）各占 50%。

在模型上，还是采用了 Transformer（Vaswani 2017）架构来做 Encoder-Decoder。其中，Encoder 里除了 word embedding，position embedding 之外，还加入了对话的轮次 embedding 信息；在 Decoder 中，加入了一个阀门参数λ，来控制是否要进行语句的改写。

图 3 展示了完成的编解码过程。最终的实验结果，表明在语句改写之后的准确率，召回率，以及 F1 值上，都比不加改写过程的模型要提升 3% 到 5%。

图 3

论文 5：Incremental Transformer with Deliberation Decoder for Document Grounded Conversations
作者：Zekang Li，Cheng Niu，Fandong Meng，Yang Feng，Qian Li，Jie Zhou
论文链接：https://www.aclweb.org/anthology/P19-1002

本文提出了在有文档背景信息的多轮对话中，一种基于 Transformer 的对话生成模型。任务描述如下：当多轮对话的内容，和一个文档集合相关时，模型的目标，是输出一个整合了文档知识在内的对话回复。因而，模型的输入，除了已有的多轮对话历史，还有一个文档的集合。任务需要解决的问题有两个，一是需要挖掘文档中和对话相关的部分；二是将多轮对话的语句，和文档中的相关部分进行统一的表示。

图 4

本文提出的模型，有两个创新，一是提出了一个增量式的 transformer 结构，可以将对话的句子，以及相关联的文档，增量的添加到模型中；二是提出了一个两阶段的解码思想，第一阶段关注对话的上下文连贯性，第二阶段引入相关的文档内容，来对第一阶段的结果进行修正润色。具体架构见图 4。这个模型分几个部分：

图 4 的上部分是 Encoder 部分，其中：

右边用 Self-Attentive Encoder（Vaswani 2017）对对话每一轮语句相关联的文档进行编码，Self-Attentive Encoder 的结构见下图 5（a），由一个 Self-Attention 模块加一个全连接的前向网络 FFN（feed-forward network）组成。
每一轮的文档的表示和对话语句的表示，一起输入到 Incremental Transformer Encoder（ITE）中去。ITE 的结构如图 5（b），包括四个子层。先将当前轮次的语句的 embedding 经过一个 Attention 层；然后和当前轮次的文档表示（上一步 a）的输出）合并，经过一个 Attention 层；最后再和之前轮次的输出进行合并，经过一个 Attention 层。需要注意的，是这三个注意力层，都是 multi-head self-attention 结构。最后再经过一个 FFN，得到输出。

这里面的 Self-Attentive Encoder，和 ITE 都是多层结构，即上面描述的单元可以继续累加，组成深层网络。

图 4 的下部分是解码部分，包括两阶段解码。这两阶段的模型结构一样，只是输入不同，都包括 4 个子层（图 5（c）所示）。完整的解码由 Ny 个两阶段解码器累加的深层网络组成。

第一阶段的输入有两个，分别是编码器的输出和当前轮次的语句经过 Self-Attentive Encoder（SA）的输出。其中前三个子层为 multi-head self-attention 结构，第一层的输入是上一层网络的输出；第二层的输入加上了解码器的输出，也就是多轮对话中的历史对话信息；第三层的输入加上了当前轮次的语句经过 SA 后的结果。最后经过一个 FFN 得到第一阶段输出。
第二阶段的流程，和第一阶段相比，只是在第二个子层，将历史的对话信息替换成当前的文档表示；在第三个子层，将当前轮次语句的信息，换成第一阶段的输出。

图 5

实验采用的数据集（Zhou 2018），用 73k 的语句训练，3.6k 语句验证，11.5k 的语句做测试。评测指标包括 PPL（perplexity），BLEU，Fluency，Knowledge Relevance 和 Context Relevance。其中后面的三个指标由标注人员在随机采样的数据上标注完成。

对比的模型，包括最基础的 Seq2Seq，Transformer，Hred（Serban 2016）等，和本文的模型的一些扩展变化模型。需要说明的是，本文模型在 PPL 上有个显著提升（15.11，越小表明更好的性能），原因是解码器的第二阶段极大的提升了结果（图 6）。

图 6

论文 6：One Time of Interaction May Not Be Enough: Go Deep with an Interaction-over-Interaction Network for Response Selection in Dialogues
作者：Chongyang Tao，Wei Wu，Can Xu，Wenpeng Hu，Dongyan Zhao，Rui Yan
论文链接：https://www.aclweb.org/anthology/P19-1001

本文提出了一个基于检索的深度交互对话模型，来解决现有模型中，对对话交互信息利用较浅的问题。问题的定义如下：对话数据由 D={（yi，ci，ri）} 三元组组成。其中 ci 是对话的问句，ri 是回复，yi 是标记，表明 ri 是否是 ci 的回复。模型需要计算 ci 和 ri 之间的匹配得分，来表明两者是否是关联的。

本文的核心，是定义了一个 Interaction-over-Interaction（IoI）网络。这个网络由 Interaction Block 构成。每一个 block 包含一个自注意力模块，来抽取问句或回复之间的依赖；一个交互模块，来对问句和回复之间的交互进行建模；一个压缩模块，来将前两个模块的结果合并成一个。

图 7

一个 IoI 模块的细节如下：给定两个输入 Q 和 K，从 Q 到 K 的注意力机制为：

其中 S 为函数：

f 为 ReLU 激活函数，D 为对角阵，和 W 一样都是模型的参数。然后将公式（1）的结果输入一个残差网络和正则化层，再输入一个 FFN 层：

至此，这一整个流程被定义为 fatt（Q，K）函数：

定义完 fatt 函数后，再回到 IoI block 的三个模块：

问句或回复的自注意力模块：
问句和回复之间的 Interaction 模块：先经过 fatt 函数，再与输入进行点乘

压缩模块：将上一轮输入的向量，和（4）（6）（8）的结果（或者（5），（7），（9）的结果）的元素向量进行连接，然后经过一个 ReLU 的激活层，就得到了新一轮的向量。

经过 IoI 网络后，在计算匹配得分时，用到了问句 u 和回复 r 在 IoI 网络中几个模块的结果：

再把这三个 M 向量连接后，输入一个卷积网络（Krizhevsky 2012）来抽取匹配特征，然后拉平后做一个线性变换，将输出维度恢复成 embedding 的维度，再连接一个 GRU 来获取时序的关系，最后经过一个隐藏层，输出到 sigmoid 函数，得到最终的匹配的分。

模型在三个数据集上做了验证，评测指标包括 R@N，MAP 和 MRR。整体来看，方法对比现有的模型，效果约有 2% 左右的提升。（做出提升不容易呀）

任务导向的对话（Task-Oriented Dialog）

这个 section 关注的，是如何优化涉及到任务的对话。通常，任务式对话里面包含有领域和意图的分类，槽位的挖掘和填充等。

论文 7：Constrained Decoding for Neural NLG from Compositional Representations in Task-Oriented Dialog
作者：Anusha Balakrishnan，Jinfeng Rao，Kartikeya Upasani，Michael White，Rajen Subba
论文链接：https://www.aclweb.org/anthology/P19-1080

本文提出了一种新的树形结构，来更好的表示 Mean Represention（MR）。MR 是一个 key-value 的列表，其中 key 是槽名（slot），value 是槽对应的值。传统的 MR 表示，是扁平的，因而会丢失槽之间的评论关系。

图 8 展示了一个原始的句子（Reference 1），改写成 Flat MR 的例子（E2E MR），以及本文改写后的树形 MR 结构（第四行）。相比 Flat MR，树形 MR 保留了 Slot 之间的关系，比如转折（Contrast），联合（Joint）等等。

除此之外，树形 MR 还有助于加强槽之间的可控性（controllability），而这点在某些特定的对话中尤其重要，比如当用户指定了某些喜好时。

图 8

本文构建了一个树形 MR 的数据集。一个树形 MR 包括三个要素：

参数（Argument）：表示槽或者实体；
对话行为（Dialog Act）：表示槽或实体的语义功能，比如信息（Inform），推荐（Recommend），肯定（Yes）等；
评论关系（Discourse relation）定义了对话行为之间的关系，比如联合（Join），转折（Contrast）等。

数据集的查询来源于天气这个话题。构建流程包括 5 个步骤：

查询收集：由同事收集关于天气的查询。
查询注释：通过规则来抽取查询中的关键信息片段，比如地点，日期，以及用户查询中涉及到的任何属性。
MR 生成：通过自动规则来生成树形 MR。这些规则包括了对话行为，以及评论关系的启发式标记算法。
回复的生成和注释：由培训过的标注人员，根据查询，写出他们自然的回复；然后在这个回复上标注出树形的 MR 结构。
质量评估：将回复给另外一批标注人员，来提供回复的评估，如流畅，正确，自然等等。

图 9

最终获得了包含 33k+个样例的数据集。在这个数据集的基础上，用 seq2seq 的模型来学习，编解码主体是带 attention 的 lstm，输入是树形 MR 的结构（图 9 的第 3 列），输出是带回复的树形 MR 结果（图 9 中的 Annotated Response）。

其中，在 decoder 中，用了剪枝的算法，剪枝算法包括两方面，一是对树种的节点进行聚类；二是输出中的格式验证，如中括号的配对等。实验和基础的 seq2seq 模型进行了对比，评测方式包括自动评测和人工评测。

论文 8：Learning End-to-End Goal-Oriented Dialog with Maximal User Task Success and Minimal Human Agent Use
作者：Janarthanan Rajendran, Jatin Ganhotra, Lazaros C Polymenakos
论文链接：https://arxiv.org/pdf/1808.09996.pdf

基于神经网络的端到端（end-to-end）对话系统在任务式对话中表现良好，但在面对新的用户行为时，受限于训练数据的缺失，无法得到预期的结果。这里的新的用户行为，不是指历史数据中完全没有的，而是在训练数据中部分出现的，比如在对话记录或者用户行为模拟中，删除掉部分对话语句或者行为。

本文提出了一个端到端的训练方法，来识别新的用户行为，以便转交给人工处理，在转交的过程中，要考虑移交的成功率和人工的工作量之间的平衡；同时也能从人工的反馈中学习如何处理这种新的用户行为，更新模型，用于将来的处理。图 10 描述了系统的整体架构。

图 10

问题的定义如下：用户问句 utterance 进入系统后，经过模型 M，变成对话的状态表示 s；然后由分类器 C 来决定是由人工 H，还是由模型 M 来回复。分类器 C 是需要在尝试分配和错误中不断修正，因而是采用 Reinforce Learning 来训练的：

如果分类器选择 M，并且 M 给出了一个正确回答，会得到一个高奖励（+2）；
如果分类器选择人工 H，会得到一个相对小的奖励（+1）；
如果分类器选择 M，并且 M 给出一个错误回答，会得到严重惩罚（-4）。

这里的正确与否，则是通过用户的反馈来判断的。这个奖励函数有助于最大化回复的成功率，并且最小化人的工作量。同时，分类器的梯度更新也会回传到模型 M，让 M 能将对话的基本信息和对回复的信任度整合起来。

当分类器选择人工 H 的时候，H 的回复会被在线的加入到训练数据中，通过监督学习，来帮助模型学习新的用户行为。本文的对话模型 M 用的是端到端的记忆网络（memory network）（Sukhbaatar 2015），分类器 C 用的是多层感知机。

为了训练模型，需要对现有的对话任务数据进行变化，来模拟新的用户行为。本文基于 bAbI 对话任务（Bordes 2016），构建了一个 Modified bAbI 对话任务。bAbI 是基于饭店预订的场景的预订座位任务。

里面有 5 类 tasks：分别是提交 API 查询，更新 API 查询参数，展示选项，提供额外信息，以及这四类的合并。而 Modified bAbI 通过删除或者替换某些用户行为来生成对话任务数据。比如，删除用户预订中的提供的价格区间，城市或者电话信息。实验对比了这种（模型 M+分类器 C）的联合模型和基础的端到端记忆网络模型的结果，在准确率上提升很明显。

论文 9：Multi-Task Networks with Universe, Group, and Task Feature Learning
作者：Shiva Pentyala, Mengwen Liu, Markus Dreyer
论文链接：https://arxiv.org/pdf/1907.01791.pdf

多任务学习（Caruana 1993）相比单任务学习，能更好的利用任务间的共性和数据共享，避免个别单任务的训练数据不足的问题。本文提出了并行网络和串行网络两种多任务学习的结构，并应用在虚拟助手（virtual assistants）的多领域自然语言理解中。通常，虚拟助手，例如 Alexa，微软的 cortana，google assistant 等，会涉及到很多领域范围（domain），比如音乐，交通，日程安排等。在每个 domain 中，又会定义很多意图（intent），在意图下，会包含槽位（slot）信息。对话模型对领域和意图进行分类，抽取并填充槽位信息。

本文通过对任务组合的力度，来抽取单个任务，任务组（task group），以及全体任务（task universe）三类特征。任务组指的是同领域下的类似的对话任务。具体的模型结构如下：

并行网络结构：如图 11 所示，i) 不同的任务 a, b, c 都会被输入到 Universe Encoder 中，生成 Universe features；ii) 同一 group 的任务（x1a, x1b 是一个 group，x2c 是另一个），会送到 Group Encoder 中，生成 Group features；

每个任务都会被输入到 Task Encoder 中，生成 Task features；iv) 每个 Task features 会和 Universe features，Group features 连接，作为 Task Decoder 的输入，得到最后的结果。在这个模型中，三类 feature 是并行生成的。

图 11

图 12

串行网络结构：串行网络中，三类 feature 的生成有先后顺序。本文提出了三种串行的结构，如图 12 所示：

Serial: Group features 和 Universe features 并行生成，拼接后输入到 Task encoder 去生成 Task features；
Serial + Highway：和 a 一样，但是在 Decoder 时，会把 Task features 和前面的 Group features，Universe features 进行拼接；
Serial + Highway + Swap：先生成 Task features，然后再生成 Group features 和 Universe features，再和 Task features 进行拼接。

因为这些特征的数据来源有重合，本文在损失函数中加入了对抗损失（adversarial loss）和正交限制（orthogonality constraints），来避免 Task Features 在共享空间中的更新缓慢（creeping）：

在模型的验证中，选取了意图分类（Intent classification）和填槽（slot filling) 这两个任务进行多任务训练。编解码框架用的是 Bilstm+CRF（如图 13 所示）。整体的损失函数定义为单个任务的损失函数的加权平均。实验用的数据集是 Alexa Dataset。从结果上来看，几个模型对比，提升在 3% 到 5% 左右。

图 13

论文 10：OpenDialKG: Explainable Conversational Reasoning with Attention-based Walkers over Knowledge Graphs
作者：Seungwhan Moon, Pararth Shah, Anuj Kumar, Rajen Subba
论文链接：https://www.aclweb.org/anthology/P19-1081

本文将对话系统和知识图谱（knowledge graph）结合起来了。在对话中，语句有时候会涉及到知识图谱中的实体，对话的交互还会涉及到知识点在图谱上的关系转移。如图 14 所示，对话双方在谈论书籍，对话内容涉及到从一本书的实体，跳转到文学流派，作者等等。本文的工作，集中在三个方面：

提出了一种基于注意力机制的图解码器（graph decoder），来从一个大的知识图谱中有效的寻找一条图上的推理路径和实体；
提出一个零样本学习模型（zeroshot learning model），利用之前轮次的对话语句，和知识图谱上下文，来对图解码器输出的候选结果进行重排序；
构建了一个包含对话内容和知识图谱之间映射关系的对话数据集 OpenDialKG，来训练前面的解码器以及对话模型。

图 14

整体模型还是采用 Encoder-Decoder 的架构。其中，每一轮 Encoder 的输入，由当前轮次的语句中包含的实体，完整的对话语句，和之前轮次的所有语句组成：

实体相关的 embedding，包括实体本身以及实体之间的关系；
句子的 embedding 经过注意力机制的 BiLstm，得到句子的表示；
对话表示（之前轮次的句子）则是用层次 Bilstm（Yang 2016）来编码。

最终这三类编码用 modality attention（Moon 2018a,b）合并到一起，modality attention 能依据候选者对任务的重要程度，选择性的缩小或者放大候选者的权重。整体的 Encoding 过程如图 15 的左边。解码部分的目标，是输出对应的知识图谱中的实体，由两部分损失函数，即下一轮生成正确实体的损失，和知识图谱上对应的推理路径的损失相加组成。

第一部分损失通过计算图谱中的 zeroshot 相关性来得到（Moon 2017），并用于最终实体的重排序。第二部分损失中面临的问题，是图谱中的推理路径数量巨大。本文用基于注意力机制的模型来对不会出现的路径进行剪枝。具体的剪枝过程，见图 16 的公式（6），其中 zt 就是注意力机制输出的上下文向量。路径损失也被拆分为所有实体的损失之和，加上关系的损失。

图 15

图 16

为了训练模型，本文还构建了一个 OpenDialKG 数据集。OpenDialKG 是在给定 topic 后，由对话中的两个人来完成，包括了 91K 的对话轮次。每个对话都会和它对应的知识图谱路径（这个路径包含实体，和对话中提及的实体间的关系）相关联。

数据集的生成过程主要依赖标注人员完成。实验对比了另外三种算法 seq2seq（Sutskever 2014），Tri-Lstm（Young 2018）和 Extended Enc-Dec（Parthasarathi 2018），在 R@N 上的提升都很明显。

论文 11：Transferable Multi-Domain State Generator for Task-Oriented Dialog Systems
作者：Chien-Sheng Wu，Andrea Madotto，Ehsan Hosseini-Asl，Caiming Xiong，Richard Socher，Pascale Fung
论文链接：https://www.aclweb.org/anthology/P19-1078

对话状态跟踪 DST（Dialogue state tracking）是对话系统的核心部分，来抽取对话中的领域，意图和槽位信息。现有的 DST 面临的挑战，有如下几点：

槽位的范围通常都是事先定义好的，然而在实际中，这些信息一方面很难定义完整（Xu 2018），另一方面，即使定义完整了，里面的数量也会很巨大，比如饭店的名字的集合，因而很难在实际场景中应用。
一个对话中，可能会涉及多个领域（multi-domain）。比如在预订饭店过程中，用户可能先询问饭店，然后预订交通工具。这种跨领域的对话，导致 DST 需要在对话的每一轮，去决策不同的领域。一个跟踪信息的三元组（domain，slot，value）有可能需要从对话的不同轮次才能推出来，带来了多轮映射（multi-turn mapping）问题。

本文针对 multi-domain 的 DST，提出了一个可迁移的对话状态生成器 Trade（transferable dialogue state generator）。如图 17 所示，模型由三部分组成：

图 17

Utterance Encoder：编码器将对话的句子进行编码表示，任一编码器结构都可以使用。本文用的是 Bi-GRU（chung 2014）。
State Generator：状态生成器的目标，是直接输出槽位的值，因而需要将 input source 的文本信息复制过来。这里采用的复制机制是 soft-gated 复制（McCann 2018），来将词典的分布和对话语句的分布组合成一个单一分布。然后用 GRU 作为解码器，来预测每个（domain，slot）对的值。

初始轮，输入的是 domain 和 slot 的 embedding 的加和；然后每一轮都会添加词，并生成中间隐藏状态 h，这个隐藏状态用来计算词典空间中的词的概率分布 P_vocab，以及对话历史中的 attention 值 P_history：

最终状态生成器输出是这两个 P 值的加权和。

Slot Gate：槽位控制门，是一个三分类的分类器，会对每个（domain，slot）对，输出在（ptr，none，dontcare）三个类别上的概率分布。如果结果是 none 或者 dontcare，对应的 value 值就会被舍弃掉。

最后的训练过程，优化的是对 State Generator 的输出，和 Slot Gate 输出的交叉熵损失。因为在训练过程中，Domain 和 Slot 的组合由训练数据决定，会有某个组合完全没出现的情况。

Trade 结构的架构，能同时去优化（domain，slot）所有组合的出现以及值的选择，因而会利用不同 domain 之间的共享信息，比如领域 train 和 taxi 都会有槽位 departure。这让 Trade 有一定的 zeroshot 或 few-shot 能力。

在实验中，对比了 MDBT（Ramadan 2018），GLAD（Zhong 2018），GCE(Nouri 2018)，SpanPtr（Xu，2018），数据集用的是 Multi-domain Wizard-of-Oz（Budzianowski 2018）。Trade 的性能提升效果很显著，在多领域上提升达到了 20%，单领域的也有 8%。

新任务

这个 section 关注的，是对话系统的一些新的形式，比如引入对话外的额外信息，或者在某些特定领域，比如慈善或医疗领域的新模型和新应用。

论文 12：Multimodal Transformer Networks for End-to-End Video-Grounded Dialogue Systems
作者：Hung Le，Doyen Sahoo，Nancy F. Chen，Steven C.H. Hoi
论文链接：https://www.aclweb.org/anthology/P19-1564

本文解决的问题，和前面的差别很大：在生成对话回复中，除了考虑文本信息，还要考虑相关联的视频信息，称为 Video-Grounded Dialog System（VGDS）。VGDS 需要在给定的视频（包含图像和语音）的基础上，根据视频内容，视频标题，和已有的对话语句，来生成最合适的回复。图 18 是一个 VGDS 的例子。

图 18

这里的挑战，一是视频信息包含了多帧图像，因而语义信息不易抽取；二是对话引擎需要整合不同形式的信息特征。因而 RNN 在这个场景下不够有效。本文提出了 MTN（Multimodal Transformer Networks），来对视频编码，并整合不同形式的信息。MTN 包含三个部分：编码层，解码层，和一个自动编码层（Auto-Encoder Layer）。

编码层：编码层包括 Text Sequence Encoders 和 Video Encoders。文本序列编码包括了 token embedding，position embedding 和正则层（layer normalization）。

视频编码在一个 n-video-frame 的滑动窗口内抽取视频特征，这个特征包括了图像和音频两部分。然后用一个 ReLU 激活层将特征的维度变为和文本的一样。编码层的结构如图 19 所示：

图 19

解码层：解码层由多层网络组成，每一层包含 4+M 个子层，每个子层都包含一个 multi-head attention 机制加一个 position-wise 的前向传输层，来处理一个特定的编码输出，包括：目标序列的偏移，对话之前轮次的语句，视频标题，当前轮次语句（对应子层数量中的 4），和视频中的非文本特征（对应子层数量中的 M，本文中，M 包含图像和语音两种特征，为 2）。

前向传输层由 ReLu 连接的两个线性变换组成。在每个 attention block 之间，还加入了残差连接（He 2016）和正则层（Ba 2016）。见图 20 中的 Decoder（D）；

图 20

自动编码层（Auto-Encoder）：加入这一层的目的，是为了解决视频中的非文本特征，和对话当前轮次查询语句的关联问题。具体包括两个步骤：

当前轮次的对话语句经过之前的 Encoder 层后，再经过一个 Self-Attention 模块，得到 query 自身的编码表示；
视频中的图像和音频信息，与 a）中的 query 编码分别进入 multi-attention 模块，得到视频特征中的 query-aware 编码表示。

自动编码层也是由多层网络组成，每一次包含的 1+M 个子层，也就是上述的 query self-attention（1 个），加上和视频相关的 query-aware（M 个，这里 M=2）。

在训练过程中，损失函数定义为目标序列 T 的损失，和 QAE（自动编码层）的输出的损失之和。实验用的数据集合是 DSTC7（Yoshino 2018），包含了基于 Charades 视频（Sigurdsson 2016）的对话信息，并设置不同参数，训俩了 Base 和 Large 两个模型。在和相关模型的对比上（CorefNMN（Kottur 2018），MN（Das 2017a），HRE（Das 2017a），LF（Das 2017a），模型有了一定的提升。

论文 13：Target-Guided Open-Domain Conversation
作者：Jianheng Tang，Tiancheng Zhao，Chenyan Xiong，Xiaodan Liang，Eric P. Xing，Zhiting Hu
论文链接：https://www.aclweb.org/anthology/P19-1565

本文讨论的，是如何在一个开放的对话聊天中，将对话引向一个特定的目标。如图 21 所示的例子：对话从闲聊的「Hi there, how are you doing」开始，对话引擎的目标是将对话引向「e-book」。

这个问题要明确的两点，一是如何对目标进行有效的定义，二是如何将引导的策略进行编码。本文通过定义粗粒度的词（比如：麦当劳，书籍，等）来对目标建模，并控制输出内容，然后通过设定规则，来接近最终的对话目标。

图 21

在对话的进行中，为了向目标进行引导，有两个要求：一是对话的状态迁移要平稳，这样的对话流程才会更自然，更可接受；二是目标的最终达成，这是为了避免追求对话的流畅迁移，而一直进行无意义的闲谈。这两个要求是相冲突的，更流畅的迁移可能会导致始终无法接近目标。本文提出了一个分治算法，来解决这两个问题。

系统包括三个核心模块：一个对话轮次级别（turn-level）的迁移预测器，来解决平稳迁移的问题；一个论述级别（discourse-level）的目标导向策略，来接近对话的目标；一个回复检索器，来生成合适的对话回复。架构如图 22 所示。

图 22

迁移预测：这一步的目标，是在给定对话历史语句的情况下，预测下一个关键词的概率。这一步和目标关键词无关，可以选择的算法有多种，如通过计算点之间的互信息 PMI（pointwise mutual information，Church 1990）进行预测，或者深度神经网络。本文用了一种混合核方法，即在给定当前词和候选词后，先计算 embedding 的余弦相似性，然后将结果传给由 K 个 RBF 核组成的核层，再将 K 维结果传给一个全连接层，得到该候选词和当前词的亲密度得分。
目标导向策略：在给定了对话的当前轮次的关键词后（如上图右侧的 basketball），找到它和目标词（图中的 Dance）的亲密度得分（0.47），下一轮的候选词是那些和目标词有更高亲密度得分的（party：0.62）。这个策略保证了每一轮都会更接近目标词。
回复检索：这一个模块输出最后的回复语句。具体做法是用 RNN 来编码对话历史和关键词，以及训练集中的候选回复语句。然后计算候选语句和对话历史的点乘，候选语句和关键词的点乘；这两个结果进行连接后再传给一个全连接网络和 sigmoid 函数，得到候选语句的匹配得分。

本文的实验是基于 PersonaChat 的数据集（Zhang 2018），并对数据先做了关键词的标注抽取。评测指标用了 R@N 和 MRR，本文对比了迁移预测中不同的预测方法对结果的影响，在绝大部分结果上，混合核方法效果最好。

本文的侧重点，其实不在模型方面，而是在数据集的收集整理方法上。解决的问题，是如何在对话中采用不同的劝说策略，来劝说人们对慈善机构进行捐助。采用的方法，是设计了一个数据采集的策略，并对数据中涉及到的劝说策略进行分析和分类。然后基于分类的结果，来训练一个分类器。数据收集的方法是本文的重点。作者先在 Amazon Mechanical Turk 平台上，设计了一个在线的任务。任务包括四个部分：

任务前的调查：任务参与者在任务之前，先接受一个调查，来获取参与者心理上的偏好特征。这里用了四个调查问卷，从这个调查结果，得出了一个 23 维的心理特征向量，每个维度是一个心理特征的得分；
对话：完成调查后，会给两个参与者随机分配劝说者和被劝者的角色。对于劝说者，会提示一些不同策略的劝说样句，而被劝者只是提供了慈善机构的背景信息。每一个对话要求至少持续 10 轮；
捐助确认：在对话完成后，劝说者和被劝者被要求提交达成的捐助额；
任务后的调查：参与者完成一个有关自己社会背景信息的调查，如年龄，收入等。

这个数据收集过程持续了 2 个月，获得了 1017 个对话，参与者有 1285 个人，其中 42% 的劝说者自己也进行了捐助，54% 的被劝者进行了捐助。

在获取了数据集后，还设计了一种标注方案（Krippendorff 2004）来对对话中的劝说者的语句进行劝说策略的标注，虽然被劝者的语句也进行了标注，但只是用于记录而已。标注方案先由 4 个研究助理在小数据集上验证其有效性，然后应用在全数据上。最终，标记出来的策略分为劝说呼吁（Persuasive appeal）和劝说询问（Persuasive inquiry）两大类：

劝说呼吁：包含 7 个类别，分别是 Logical appeal（逻辑上的说服），Emotion appeal（情感上的说服），Credibility appeal（用慈善机构的信誉度来说服），Foot-in-the-door（先说服小额度的捐助，有意向后再劝说大额度的），Self-modeling（先表明自身的捐助意向，再说服对方），Personal story（讲述一些个人的故事来说服对方），Donation information（提供一些捐助的流程和细节，来说服对方）；
劝说问询：包含 3 个类别，分别是 Source-related inquiry（询问对方是否知道慈善机构），Task-related inquiry（询问对方关于捐助任务的观点和期望），Personal-related inquiry（询问对方以往的捐助经历）。

图 23

在对数据分完类后，用混合 Recurrent-CNN 来对对话进行分类，用到的 embedding 包括对话语句的 embedding，对话上下文的 embedding，轮次位置的 embedding，情感，和字符的 embedding。模型结构如图 23。在实验中，主要比较的是引入不同特征组合时，分类的准确率和 F1 值。

论文 15：Improving Neural Conversational Models with Entropy-Based Data Filtering
作者：Richard Csaky，Patrik Purgai，Gabor Recski
论文链接：https://www.aclweb.org/anthology/P19-1567

本文关注的，是通过数据集的优化，来提升开放式对话模型的效果。基于神经网络的对话模型，在开放式对话中，容易产生通用的回复，缺乏多样性。因而，本文通过剔除掉具有高熵值的对话语句，来修正数据集，进而提升对话系统的性能。

一个高熵值的例子，如「what did you do today」，这个问句的答案会有很多种回复；而「what is the color of sky」的熵值就比较低，因为回复很明确。其中，计算熵值的时候，对对话中的 source 和 target 做了区分（source 表示对话的发起方，target 为应答方）。在给定数据集 D 时，Target 和 source 的熵值的定义如下：

另外，先对语句聚类，也会对实验效果有影响。聚类能反映出问句的回答是否是语义上的多样。比如「how old are you」，虽然答案也会有很多种，但语义上都是接近的。一个句子可能有低熵值，但是如果组成的 cluster 有高熵值，这个 cluster 也会从数据集中删除掉。一个 source cluster 的目标熵值定义如下：

其中 C 是所有的 cluster。在删除 cluster 时，高熵的 source cluster 和 target cluster 都会被删掉。

聚类的方法，可以用 Mean shift algorithm（Fukunaga 1975），或者 sent2vec（https://github.com/epfml/sent2vec），即句向量的方法。

在实验中，对话模型用了 Transformer 的 encoder-decoder 架构，测试了在数据集 DailyDialog，Cornell，Twitter 上的熵值分布情况，并测试了不同的聚类算法对结果的影响。

论文 16：标题：Observing Dialogue in Therapy: Categorizing and Forecasting Behavioral Codes
作者：Jie Cao，Michael Tanana，Zac E. Imel，Eric Poitras，David C. Atkins，Vivek Srikumar
论文链接：https://www.aclweb.org/anthology/P19-1563

本文主要是针对心理治疗领域，提出了两个分类模型，在治疗师和患者的对话中帮助治疗师。本文的模型，没有去生成对话的回复，而是对已有的当前轮次的语句，和接下来可能出现的语句的标签进行分类和预测。研究是基于 Motivational Interviewing（MI，Miller 2012）进行，对话的语句由 Motivational Interviewing Skill Codes（MISC，Miller 2003）来标注。一个标注的例子如图 24 所示。

任务的定义如下：输入包括 MI 上的对话的语句 u，对话历史 H，每个语句对应的人 s，以及语句对应的 MISC 标签 l。模型需要提供两个实时的输出，包括：

分类：对对话中的最后一个语句 u_n 进行分类；
预测：给定了 n 轮的对话，和第 n+1 轮的人，来预测还没发生的第 n+1 轮的语句的分类标签。

图 24

在构建的模型中，用层次 GRU 来对对话级别进行编码，用词级别的 attention 来抽取语句中比较关键的词信息，用 multi-head attention 来抽取语句级别的对分类结果比较重要的语句。另外，在数据中存在标签不平衡的问题，本文还设定了一个平衡权重α，和 focal loss（Lin 2017）函数来解决数据不平衡问题，如下面的公式表示：

实验中，先用 MISC 对所有的数据进行标注，并对比了不同的模型配置在分类和预测这两个任务上的效果，在分类任务上能提升约 6%，在预测任务上提升约 4% 左右。

参考文献：

Mohammad Norouzi, Samy Bengio, Navdeep Jaitly, Mike Schuster, Yonghui Wu, Dale Schuurmans, et al. 2016. Reward augmented maximum likelihood for neural structured prediction. In Advances In Neural Information Processing Systems, pages 1723–1731
Jiwei Li, Will Monroe, Tianlin Shi, Sebastien Jean, Alan Ritter, and Dan Jurafsky. 2017b. Adversarial learning for neural dialogue generation. In Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing, pages 2157–2169.
Saizheng Zhang, Emily Dinan, Jack Urbanek, Arthur Szlam, Douwe Kiela, and Jason Weston. 2018. Personalizing dialogue agents: I have a dog, do you have pets too? In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), volume 1, ages 2204–2213.
Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio. 2015. Neural machine translation by jointly learning to align and translate. In Proceedings Of The International Conference on Representation Learning (ICLR 2015).
Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N Gomez, Łukasz Kaiser, and Illia Polosukhin. 2017. Attention is ll you need. In Advances in Neural Information Processing Systems, pages 5998–6008
Shuiwang Ji, Wei Xu, Ming Yang, and Kai Yu. 2013. 3d convolutional neural networks for human action recognition. IEEE transactions on pattern nalysis and machine intelligence, 35(1):221–231.
Ryan Lowe, Nissan Pow, Iulian V. Serban, and Joelle Pineau. 2015b. The ubuntu dialogue corpus: A large dataset for research in unstructured multi-turn dialogue systems. Proceedings of the SIGDIAL 2015 Conference, page 285294
Yu Wu, Wei Wu, Chen Xing, Zhoujun Li, and Ming Zhou. 2017. Sequential matching network: A new architecture for multi-turn response selection in retrieval-based chatbots. Proceedings ofthe 55th Annual Meeting ofthe Association for Computational Linguistics, pages 496–505.
Xiangyang Zhou, Lu Li, Daxiang Dong, Yi Liu, Ying Chen, Wayne Xin Zhao, Dianhai Yu, and Hua Wu. 2018. Multi-turn response selection for chatbots with deep attention matching network. Proceedings ofthe 56th Annual Meeting ofthe Association for Computational Linguistics, pages 1–10.
Kangyan Zhou, Shrimai Prabhumoye, and Alan W Black. 2018. A dataset for document grounded conversations. In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, pages 708–713.
Iulian V Serban, Alessandro Sordoni, Yoshua Bengio, Aaron Courville, and Joelle Pineau. 2016. Building end-to-end dialogue systems using generative hierarchical neural network models. In Thirtieth AAAI Conference on Artificial Intelligence.
Alex Krizhevsky, Ilya Sutskever, and Geoffrey E Hinton. 2012. Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, pages 1097–1105.
Sainbayar Sukhbaatar, Jason Weston, Rob Fergus, et al. 2015. End-to-end memory networks. In NIPS
Antoine Bordes, Y-Lan Boureau, and Jason Weston. 2016. Learning end-to-end goal-oriented dialog. arXiv preprint arXiv:1605.07683.
Rich Caruana. 1993. Multitask learning: A knowledge-based source of inductive bias. In ICML, pages 41–48.
Zichao Yang, Diyi Yang, Chris Dyer, Xiaodong He, Alex Smola, and Eduard Hovy. 2016. Hierarchical attention networks for document classification. In NAACL
Seungwhan Moon, Leonard Neves, and Vitor Carvalho. 2018a. Multimodal named entity recognition for short social media posts. NAACL. 854
Seungwhan Moon, Leonard Neves, and Vitor Carvalho. 2018b. Zeroshot multimodal named entity disambiguation for noisy social media posts. ACL.
Seungwhan Moon and Jaime Carbonell. 2017. Completely heterogeneous transfer learning with attention: What and what not to transfer. IJCAI
Ilya Sutskever, Oriol Vinyals, and Quoc V Le. 2014. Sequence to sequence learning with neural networks. In NIPS.
Tom Young, Erik Cambria, Iti Chaturvedi, Minlie Huang, Hao Zhou, and Subham Biswas. 2018. Augmenting end-to-end dialog systems with commonsense knowledge. AAAI
Prasanna Parthasarathi and Joelle Pineau. 2018. Extending neural generative conversational model using external knowledge sources. EMNLP.
Puyang Xu and Qi Hu. 2018. An end-to-end approach for handling unknown slot values in dialogue state tracking. In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 1448–1457. Association for Computational Linguistics
Junyoung Chung, Caglar Gulcehre, KyungHyun Cho, and Yoshua Bengio. 2014. Empirical evaluation of gated recurrent neural networks on sequence modeling. arXiv preprint arXiv:1412.3555.
Bryan McCann, Nitish Shirish Keskar, Caiming Xiong, and Richard Socher. 2018. The natural language decathlon: Multitask learning as question answering. arXiv preprint arXiv:1806.08730
Osman Ramadan, Paweł Budzianowski, and Milica Gasic. 2018. Large-scale multi-domain belief tracking with knowledge sharing. In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers), pages 432–437. Association for Computational Linguistics.
Victor Zhong, Caiming Xiong, and Richard Socher. 2018. Global-locally self-attentive encoder for dialogue state tracking. In Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 1458–1467. Association for Computational Linguistics.
Elnaz Nouri and Ehsan Hosseini-Asl. 2018. Toward scalable neural dialogue state tracking model. In Advances in neural information processing systems (NeurIPS), 2nd Conversational AI workshop. https://arxiv.org/abs/1812.00899.
Paweł Budzianowski, Tsung-Hsien Wen, Bo-Hsiang Tseng, Inigo Casanueva, Stefan Ultes, Osman Ra-madan, and Milica Gasic. 2018. Multiwoz-a largescale multi-domain wizard-of-oz dataset for taskoriented dialogue modelling. In Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, pages 5016–5026.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. 2016. Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778.
Jimmy Lei Ba, Jamie Ryan Kiros, and Geoffrey E Hinton. 2016. Layer normalization. arXiv preprint arXiv:1607.06450.
Koichiro Yoshino, Chiori Hori, Julien Perez, Luis Fernando D』Haro, Lazaros Polymenakos, Chulaka Gunasekara, Walter S. Lasecki, Jonathan Kummerfeld, Michael Galley, Chris Brockett, Jianfeng Gao, Bill Dolan, Sean Gao, Tim K. Marks, Devi Parikh, and Dhruv Batra. 2018. The 7th dialog system technology challenge. arXiv preprint.
Gunnar A Sigurdsson, Gul Varol, Xiaolong Wang, Ali Farhadi, Ivan Laptev, and Abhinav Gupta. 2016. Hollywood in homes: Crowdsourcing data collection for activity understanding. In European Conference on Computer Vision, pages 510–526. Springer.
Satwik Kottur, Jose MF Moura, Devi Parikh, Dhruv Batra, and Marcus Rohrbach. 2018. Visual coreference resolution in visual dialog using neural module networks. In Proceedings of the European Conference on Computer Vision (ECCV), pages 153–169.
Abhishek Das, Satwik Kottur, Khushi Gupta, Avi Singh, Deshraj Yadav, Jose MF Moura, Devi Parikh, and Dhruv Batra. 2017a. Visual dialog. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, volume 2.
Klaus Krippendorff. 2004. Reliability in content analysis: Some common misconceptions and recommendations. Human communication research, 30(3):411–433.
Keinosuke Fukunaga and Larry Hostetler. 1975. The estimation of the gradient of a density function, with applications in pattern recognition. IEEE Transactions on information theory, 21(1):32–40.
William R Miller and Stephen Rollnick. 2012. Motivational interviewing: Helping people change. Guilford press.
William R Miller, Theresa B Moyers, Denise Ernst, and Paul Amrhein. 2003. Manual for the motivational interviewing skill code (misc). Unpublished manuscript. Albuquerque: Center on Alcoholism, Substance Abuse and Addictions, University of New Mexico.
Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, and Piotr Dollar. 2017. Focal loss for dense object detection. In Proceedings of the IEEE international conference on computer vision, pages 2980–2988

作者简介

Will Li，中国科学院计算所博士，前微软资深工程师，目前在Udesk AI Lab任算法专家，负责智能客服系统相关技术的研究和开发。

创作场景

ACL 2019 对话系统论文综述，一文带你纵览 16 篇前沿研究