来自上海交通大学陈露的博士论文，入选2021年度“CCF优秀博士学位论文奖”初评名单！

https://www.ccf.org.cn/Focus/2021-11-22/750448.shtml

对话管理器是任务型对话系统的核心模块，它有两个重要的任务：对话状态跟踪和对话策略优化。对话状态跟踪的作用是用来估计用户 的目标，对话策略决定着系统应该给用户回复什么动作。部分可观测 马尔科夫决策过程为基于数据驱动的对话管理方法提供了良好的理论 支撑，各种基于数据驱动的对话管理方法被提出，但是在实际应用中 这些方法还面临着两个重要的挑战：训练数据极度稀疏和对话领域扩 展及迁移。训练数据的稀疏原因主要来自四个方面：任务型对话数据 收集困难、数据标注复杂、对话数据变化多样和强化学习的反馈信号 稀疏；对话领域扩展和迁移是对话系统认知边界扩展的重要体现。
目录：
1、本论文的第一部分围绕对话状态跟踪任务中训练数据稀疏和对话 领域扩展两个核心挑战，基于 知识与数据双驱动的思想提出了两种新 型的对话状态跟踪方法。
2、本论文的第二部分围绕对话策略优化任务中训练数据稀疏和对话 领域迁移两个挑战，同样基于 知识与数据双驱动的思路分别提出了两 种新型的对话策略优化方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除