摘要
对话状态追踪器（Dialogue State Tracker, DST）是对话系统中的关键组件，旨在每一轮对话中估计用户潜在目标的信念状态。目前大多数DST模型采用循环神经网络（Recurrent Neural Networks），并基于复杂的架构，以同时处理对话中的多个方面，包括用户话语、系统动作以及领域本体中定义的槽位-值对（slot-value pairs）。然而，这类神经网络架构的复杂性导致对话状态预测产生显著延迟，限制了其在真实应用场景中的部署，尤其是在任务可扩展性（即槽位数量）成为关键因素时尤为明显。本文提出一种创新的神经网络模型——全局编码器与槽位注意力解码器（Global encoder and Slot-Attentive decoders, G-SAT），能够在保持高性能的同时实现极低的延迟。我们在WoZ2.0数据集的三种不同语言（英语、意大利语和德语）上进行了实验，结果表明，所提出的G-SAT方法在准确率和预测时间复杂度方面均显著优于当前最先进的DST系统，预测速度比其他系统快超过15倍，展现出显著的性能优势。