关注微信公众号：【人工智能前沿讲习】，回复【SFFAI61】获取讲者PPT资料，入交流群，推荐论文下载。
对话系统在现实生活中具有广泛应用价值，其中任务型的对话系统更是具有极大的商业价值，为企业节省大量人工成本。而现有的任务型系统主要关注的单一领域，要建立面向多领域的系统还会面临着诸多挑战。本期论坛我们邀请到了来自哈尔滨工业大学的覃立波同学，为大家分享在ACL2020的一个有关多领域端到端任务型对话系统的工作。
讲者介绍
覃立波：哈尔滨工业大学社会计算与信息检索研究中心(SCIR)在读博士生，导师车万翔教授，创立知名公众号[机器学习算法与自然语言处理]及同名知乎专栏，研究兴趣为任务型对话系统，以第一作者曾在ACL、EMNLP、AAAI发表论文多篇。
报告题目：多领域端到端任务型对话系统
报告摘要：目前端到端任务型对话系统已经取得了一定的成功，但是现有的系统很少关注于多领域场景。在对话数据标注十分困难的情况下，如何有效利用所有领域的数据来提高每一个对话领域(尤其是数据稀少的领域)性能的多领域端到端任务型对话系统是一个值得研究的方向。
本次将重点分享我们在ACL2020的工作，一个基于动态聚合网络的多领域端到端任务型对话系统，该系统不仅取得了目前的SOTA效果，并且在few-shot场景下取得了12.6%的显著提升。
Spotlight：
- 我们在端到端任务型对话系统提出使用shared-private框架去捕获领域共有和领域特定的特征，并进一步提出动态聚合函数取学习不同领域之间的相关性；
- 我们的模型仅取得了目前的SOTA效果，并且在few-shot场景下取得了12.6%的显著提升，能够很快适配到新的领域。
论文推荐
Key-Value Retrieval Networks for Task-Oriented Dialogue
推荐理由：本文第一次提出端到端任务型对话系统问题，并提出一个高质量数据集和一个baseline。
Entity-Consistent End-to-end Task-Oriented Dialogue System with KB Retriever
推荐理由：本文首次考虑端到端任务型对话系统的一致性问题，进一步提出先定行后定列的思想，在一致性指标上取得了很大进步。
GLOBAL-TO-LOCAL MEMORY POINTER NETWORKS FOR TASK-ORIENTED DIALOGUE
推荐理由：本文提出一个全局过滤指针来指导生成回复中的不相关实体内容，达到了当时的SOTA性能，很具有启发作用。