[论文解读] Converse: A Tree-Based Modular Task-Oriented Dialogue System

Tian Xie, Xinyi Yang+14 more|arXiv (Cornell University)|Mar 23, 2022

AI in Service Interactions被引用 4

一句话总结

Converse 是一种低代码、基于树状结构的模块化任务导向对话系统，采用与或树结构（任务树）来建模任务及其依赖关系，支持灵活的对话管理、无缝的任务切换以及可重用的对话策略。它通过消除对单个对话轮次的手动编码，简化了机器人开发，同时借助共享的策略决策树支持少样本意图检测和可扩展的对话动作。

ABSTRACT

Creating a system that can have meaningful conversations with humans to help accomplish tasks is one of the ultimate goals of Artificial Intelligence (AI). It has defined the meaning of AI since the beginning. A lot has been accomplished in this area recently, with voice assistant products entering our daily lives and chat bot systems becoming commonplace in customer service. At first glance there seems to be no shortage of options for dialogue systems. However, the frequently deployed dialogue systems today seem to all struggle with a critical weakness - they are hard to build and harder to maintain. At the core of the struggle is the need to script every single turn of interactions between the bot and the human user. This makes the dialogue systems more difficult to maintain as the tasks become more complex and more tasks are added to the system. In this paper, we propose Converse, a flexible tree-based modular task-oriented dialogue system. Converse uses an and-or tree structure to represent tasks and offers powerful multi-task dialogue management. Converse supports task dependency and task switching, which are unique features compared to other open-source dialogue frameworks. At the same time, Converse aims to make the bot building process easy and simple, for both professional and non-professional software developers. The code is available at https://github.com/salesforce/Converse.

研究动机与目标

• 解决现有任务导向对话系统因需手动编写每个对话轮次而带来的高维护成本和灵活性不足的问题。
• 实现无需重新训练 NLU 模型或重写对话流程即可轻松适应新任务。
• 在统一、可组合的框架中支持复杂对话模式，如任务切换和子任务依赖关系。
• 通过结构化任务树和可重用对话策略实现低代码配置，降低机器人开发门槛。
• 提供模块化、可扩展的架构，支持非专业开发者和专业开发者共同构建和维护任务导向机器人。

提出的方法

• 将任务表示为与或树结构（任务树），以编码实体、子任务及其关系，实现动态状态管理。
• 通过深度优先搜索遍历策略决策树，基于当前对话状态和条件确定下一步对话动作。
• 实现一种基于少样本自然语言蕴涵的意图检测模型，无需微调或标注数据即可支持新意图。
• 通过在所有任务间共享单一策略决策树，将对话策略逻辑与任务逻辑解耦，实现一致且可扩展的对话控制。
• 允许机器人开发者通过添加自定义对话动作代码并更新策略决策树配置来扩展功能，而无需修改核心逻辑。
• 通过在任务间持久化对话状态并按需重用已认证状态，实现任务切换和依赖关系解析。

实验结果

研究问题

• RQ1 如何设计任务导向对话系统，以在不预定义刚性对话流程的情况下支持动态任务切换？
• RQ2 与传统的基于槽位或流程图的方法相比，基于树的任务表示是否能更高效地建模复杂任务变体和依赖关系？
• RQ3 在向对话系统添加新任务时，少样本意图检测在多大程度上可减少对标注数据和模型微调的需求？
• RQ4 跨多个任务共享对话策略在多大程度上可提升可维护性并降低开发开销？
• RQ5 哪些架构模式能够在保持复杂多意图交互灵活性的同时，实现低代码机器人开发？

主要发现

• Converse 允许机器人开发者通过配置文件和任务树定义新任务，而无需编写对话流程逻辑，显著降低了开发时间和复杂度。
• 该系统原生支持任务切换和子任务依赖关系解析（如跨任务重用已认证用户状态），无需自定义脚本。
• 少样本意图检测模型可在无需标注训练数据或模型微调的情况下添加新意图，显著降低了新领域集成的门槛。
• 共享的策略决策树实现了所有任务间一致的对话管理，减少了代码重复并提升了可维护性。
• 基于树的架构支持动态遍历和状态管理，相比传统流程式系统，更易于更新、调试和扩展任务。
• 该系统已具备生产环境部署能力，并在真实应用场景中得到验证，展现出在复杂多任务环境中的可扩展性和可扩展性。