Slot filling ảnh hưởng action tiếp theo như thế nào?
Response generation cần guardrail nào?
Ghi chú trong khi đọc
Chapter tiếp tục từ Dialogflow sang phần ML nội bộ của dialog system.
Dialog act classification là bài toán xác định vai trò của utterance trong hội thoại, gần với intent detection.
Slot identification dùng sequence labeling để gắn entity/slot vào từng token hoặc span.
Chọn ontology cho slot rất quan trọng: cùng là destination nhưng travel bot có thể cần city hoặc airport.
Mô hình tách rời intent + slot cần nhiều nhãn và nhiều model riêng, nên khó scale.
Joint understanding and tracking dùng dialog state như inform(price-cheap) để gộp intent và slot trong một biểu diễn.
Response generation có 3 hướng chính: fixed responses, template-based và automatic generation.
Datasets chính cho goal-oriented dialog: ATIS, SNIPS, DSTC, MultiWOZ.
ATIS intent prediction trong ví dụ: CNN khoảng 72%, RNN khoảng 96%, BERT khoảng 98.8%.
Viết lại bằng lời của tôi
Phần này làm rõ rằng hiểu dialog system không dừng ở việc nhận intent. Mình cần một pipeline đầy đủ để gắn intent, trích slot, giữ state rồi mới sinh response. Nếu tách intent và slot thành hai model độc lập thì dễ nặng và khó mở rộng, nên ý tưởng joint understanding/tracking có vẻ hợp lý hơn cho hệ goal-oriented.
Điều mình nhớ nhất là response generation có nhiều tầng: FAQ thì trả lời cố định, template thì linh hoạt hơn mà vẫn kiểm soát được, còn automatic generation thì tự nhiên hơn nhưng khó kiểm soát hơn.