Building Dialogue POMDPs from Expert Dialogues: An end-to-end approach

این کتاب در مورد چارچوب فرآیند تصمیم‌گیری مارکوف قابل مشاهده (POMDP) ​​که در سیستم‌های گفتگو استفاده می‌شود بحث می‌کند. POMDP را به عنوان یک چارچوب رسمی برای نشان دادن عدم قطعیت به طور صریح در حالی که از حل خودکار خط مشی پشتیبانی می کند، ارائه می دهد. نویسندگان یک رویکرد یادگیری پایان به انتها را برای اجزای مدل POMDP گفتگو پیشنهاد و اجرا می کنند. آنها با شروع از صفر، حالت، مدل انتقال، مدل مشاهده و در نهایت مدل پاداش را از دیالوگ های بدون حاشیه و پر سر و صدا ارائه می کنند. اینها در مجموع مجموعه قابل توجهی از مشارکت‌ها را تشکیل می‌دهند که به طور بالقوه می‌توانند الهام بخش کارهای بیشتر قابل توجهی باشند. این دست نوشته مختصر به زبانی ساده و مملو از مثال ها، شکل ها و جداول گویا نوشته شده است.

This book discusses the Partially Observable Markov Decision Process (POMDP) framework applied in dialogue systems. It presents POMDP as a formal framework to represent uncertainty explicitly while supporting automated policy solving. The authors propose and implement an end-to-end learning approach for dialogue POMDP model components. Starting from scratch, they present the state, the transition model, the observation model and then finally the reward model from unannotated and noisy dialogues. These altogether form a significant set of contributions that can potentially inspire substantial further work. This concise manuscript is written in a simple language, full of illustrative examples, figures, and tables.