中文訊息傳遞服務對話系統之建構

摘要

對話系統，如客服系統、聊天機器人、智慧音箱等，是人工智能領域中受到廣泛期待的應用。任務型導向對話系統的挑戰包括訓練語料的收集、標記，以及模型的架構及訓練。在語料蒐集上，過去常使用 Wizard-of-Oz(WOZ) 方法，透過人與人之間的互動對話來進行語料的收集和標記。但由於使用 WOZ 方法時，標記人員須同時標記對話狀態及槽值，也必須留意先前對話歷史中是否提及某些實體，這會大大影響整體資料集的品質，且也無法迅速 建立對話語料。為了能加速資料的蒐集，部分研究人員也採用綱要引導對話 (Schema-Guided Dialogue，SGD) 來自動蒐集語料，透過定義清楚的綱要使對話代理來自動並蒐集對話。但由於綱要引導對話在自動對話蒐集前須做詳細的定義，且目前尚未有任何原始碼的公佈，使得研究人員現今仍普遍使用 WOZ來模擬人機互動的對話情境。 本文參照 Schema-Guided Dialogue(SGD) 的語料收集方法，透過使用者、助理兩個對話代理程式建立對話模擬器，建立一個能夠處理電子郵件、管理行事曆、以及傳遞訊息等三種服務的對話語料集。SGD 的做法為依據任務綱要(Schema) 來讓使用者代理能依據綱要提出需求，助理代理再查看綱要來向對方詢問相關資訊，或呼叫 API 來進行查詢。模擬器經過對話模擬後會產生由一連串對話行為組成的對話大綱，我們將對話大綱通過預先定義好的對話模板轉為樣版式句子，最後標記人員僅須結合多個單一句子轉成自然的對話，即可獲得訊息領域相關的對話語料 messageSGD。 基於本研究所建立的 messageSGD，我們以 T5 為基底套用至 TOD 對話 系統中的四個任務上，並在訓練時應用 Instruction Prompt 方法，在各個任務的輸入中添加任務敘述及特殊標記。經過如此的設計，使系統中各個模型能更理解四項任務的輸入輸出，在對話理解任務中整體準確度由 76.03 到 83.36，提升 7.33 個百分點，對話生成中的 BLEU-Score 也從 25.89 提升至 32.43。在對話狀態追蹤和對話決策任務上，我們也透過調整對話歷史的多寡，使狀態追蹤的準確度從 41.65 提升至 51.69，上升了 10.04 個百分點。