미리 정의된 시나리오의 대화에서 (System발화, User발화)를 하나의 턴으로 둘 때, 턴마다 순차적으로 유저 발화의 Dialogue state(대화 상태) 를 추적하는 Task
Input: ["안녕하세요.", "네. 안녕하세요. 무엇을 도와드릴까요?", "서울 중앙에 위치한 호텔을 찾고 있습니다. 외국인 친구도 함께 갈 예정이라서 원활하게 인터넷을 사용할 수 있는 곳이 었으면 좋겠어요."]
Output: ["숙소-지역-서울 중앙", "숙소-인터넷 가능-yes"]
-
데이터는 위와 같은 형식으로 구성되어 있으며, 예측해야하는 State는 **"Domain - Slot - Value"**의 pair로 구성되어 있습니다.
- Domain : 5개 Class
- Slot : 45개 Class
Public : Joint Goal Accuracy 0.8344, 1등🥇
Private : Joint Goal Accuracy 0.7335, 1등🥇
- torch==1.7.0+cu101
- transformers==3.5.1
pip install -r requirements.txt
-
Open vocab 기반의 DST model로 Unseen value를 맞출 수 있습니다.
-
모든 Slot을 전부 예측해야 하기 때문에 속도가 느리다는 단점이 있지만 그 단점을 보완하기 위해 Parallel decoding이 사용되었습니다.
-
Utterance Encoder의 성능개선을 위해 bidirection RNN Encoder를 BERT로 교체하였습니다.
- 사용법
# trade_train.py
python trade_train.py --save_dir ./output
- Ontology 기반의 DST model로 이름같이 value의 갯수가 많은 slot에 유리합니다.
- Unseen value를 맞추지 못한다는 단점이 있지만 대회에서 open vocab 기반 모델인 SOM-DST의 output을 새로운 Ontology로 사용하여 개선하였습니다.
- 사용법
# sumbt_train.py
python sumbt_train.py --save_dir ./output
- Open vocab 기반의 DST model 이며 TRADE의 모든 slot을 generation하는건 비효율 적이라는 단점을 보완하기위해 등장한 모델입니다.
- Utterance를 보고 UPDATE가 필요한 경우에만 generation을 합니다.
- 사용법
# somdst_train.py
python somdst_train.py --save_dir ./output
-
자주 사용 되는 slot의 조합(ex. 택시-목적지, 도착-시간)이 아닌경우 맞추지 못하는 Counter factual을 지적한 논문입니다.
-
pretrained된 BartForConditionalGeneration를 사용하여 utterance를 generation합니다.
-
pretrained된 classifier로 state를 추출하고 role based Slot value match filter로 필터링을 거쳐진 utterance를 augumentation data로 사용합니다.
-
사용법 / 절대경로를 잘 지정해야 합니다.
# get generation model, classifier model
# coco/pretrain.py
python pretrain.py
# coco/start_coco.py
python start_coco.py
SLOT_FIRST_AND_TOP_VALUE : 대분류인 슬롯에 먼저 투표를 한 뒤에, 해당 슬롯 안에서 가장 많은 표를 받은 value값을 선택하는 알고리즘
# hardvote_v2.py
python hardvot_v2.py mode=save --csv_dir=./output --save_dir=./hardvoting_result
윤도연(ydy8989) | 전재열(Jayten) | 설재환(anawkward) | 민재원(ekzm8523) | 김봉진(BongjinKim) | 오세민(osmosm7)