Vers un modèle de suivi d'état de dialogue neuronal évolutif

La latence des modèles actuels de suivi d'état de dialogue basés sur les réseaux neuronaux les empêche d'être utilisés efficacement pour le déploiement dans les systèmes en production, malgré leurs performances hautement précises. Cet article propose un nouveau modèle neuronal de suivi d'état de dialogue évolutif et précis, basé sur l'encodeur Global-Local Self-Attention (GLAD) récemment proposé par Zhong et al. Ce modèle utilise des modules globaux pour partager des paramètres entre les estimateurs de différents types (appelés slots) d'états de dialogue, et des modules locaux pour apprendre des caractéristiques spécifiques à chaque slot. En utilisant uniquement un réseau récurrent avec une conditionnement global, au lieu des (1 + # slots) réseaux récurrents avec un conditionnement global et local utilisés dans le modèle GLAD, notre modèle proposé réduit la latence lors de l'entraînement et de l'inférence de 35 % en moyenne, tout en préservant la performance du suivi de l'état croyance à 97,38 % pour les requêtes par tour et à 88,51 % pour l'objectif conjoint et la précision. L'évaluation sur le jeu de données multi-domaines (Multi-WoZ) montre également que notre modèle surpasses GLAD en termes de précision des informations par tour et d'objectif conjoint.