ACL年會是計算語言學和自然語言處理領域最重要的頂級國際會議，被CCF與清華均列為頂級A類會議，由計算語言學協(xié)會主辦，每年舉辦一次。其接收的論文覆蓋了對話交互系統(tǒng)、語義分析、摘要生成、信息抽取、問答系統(tǒng)、文本挖掘、機器翻譯、語篇語用學、情感分析和意見挖掘、社會計算等自然語言處理領域眾多研究方向。

　　如何解決多輪復雜對話上的狀態(tài)追蹤問題，一直是自然語言處理領域研究的難點。本篇論文聚焦基于槽注意力機制和信息共享的對話狀態(tài)追蹤方法（Dialogue State Tracking via Slot Attention and Slot Information Sharing, SAS），進一步驗證了SAS在對話狀態(tài)追蹤任務上優(yōu)于其他方法，那么具體是如何做到的呢？

　　所謂對話狀態(tài)追蹤，就是指每回合從對話中捕捉用戶對話狀態(tài)的任務，而這些對話狀態(tài)往往以槽值對的形式表示，它們代表了用戶每回合的需求。由于用戶的需求往往分布在一場對話中的各個回合，而多輪回合間信息的保留一直是自然語言處理領域的難點，對話狀態(tài)追蹤任務目前還存在著不少挑戰(zhàn)。隨著任務式對話狀態(tài)系統(tǒng)應用領域從單領域擴展為多領域，解決多輪復雜對話上的狀態(tài)追蹤問題越發(fā)重要。

　　目前，任務式對話系統(tǒng)以其廣泛的應用性得到了各大科技公司的青睞，不少機構紛紛展開了對其的研究。任務式對話系統(tǒng)與以娛樂為目標的聊天對話系統(tǒng)不同，它需要為用戶完成某種特定的任務，比如訂餐、旅游安排、天氣預報等。作為任務式對話系統(tǒng)的關鍵組件，對話狀態(tài)追蹤器的性能大大影響了對話系統(tǒng)的最終效果。因此，對話狀態(tài)追蹤任務已經成為了一個研究熱點。

　　目前業(yè)內針對任務式對話狀態(tài)追蹤已有一些方法。例如用表示學習技術進行對話狀態(tài)追蹤的NBT模型、用global-local編碼器捕捉槽和全局特征的GLAD模型、將對話狀態(tài)追蹤任務建模成文本生成任務，并引入pointer-generator結構的TRADE等……這些方法雖然有效地改善任務式對話狀態(tài)追蹤的性能，但長對話、復雜多領域對話上追蹤效果不足的問題仍存在，而這些問題正是此次論文要解決的問題。此外，由于不同槽間存在著一定關聯(lián)性，將這些信息利用起來也有助于幫助對話狀態(tài)追蹤。

　　在本篇論文中提出的SAS（Slot Attention and Slot Information Sharing）由兩部分構成。第一部分，用槽注意力從歷史記錄中抽取各個槽所需的關鍵信息；第二部分，將關鍵信息根據各個槽的關聯(lián)性進行信息重組與共享。其中，第二部分有兩種不同的實現(xiàn)方法，分別是基于超參數的信息共享和基于k-means的信息共享。SAS利用注意力機制為獨立的每個槽從多輪長對話中提取出最有價值的特征，從而避免不相干槽的冗余信息對目標槽的干擾。其次，為了改善模型在數據不足的槽上的追蹤效果，模型共享了關聯(lián)槽上的信息。在多領域和單領域數據集上的實驗結果驗證了SAS在對話狀態(tài)追蹤任務上優(yōu)于其他方法。

　　小i機器人自2001年成立以來，就專注于以自然語言處理為基礎的認知智能相關技術的自主研發(fā)和商業(yè)落地。此次聯(lián)合論文入選ACL2020，是繼今年小i機器人與加州大學戴維斯分校聯(lián)合論文入選AAAI2020后，再次被國際頂級會議錄用，展示出了小i機器人超強的技術積累實力。除此之外，小i機器人“智能客服系統(tǒng)（iBot）”日前也被工信部納入“新一代人工智能工業(yè)創(chuàng)新重點任務入圍揭榜單位”，進一步印證了小i機器人在智能交互領域強大的研發(fā)和技術實力。

　　未來，小i機器人也會將先進的認知智能技術與產業(yè)應用相融合，賦能產業(yè)發(fā)展，用認知智能技術探索人工智能的無限可能。