Statistical Methods for Spoken Dialogue Management

گفتار طبیعی‌ترین روش ارتباطی است، اما تلاش‌ها برای ساختن سیستم‌هایی که از مکالمات قابل سکونت قوی بین انسان و ماشین پشتیبانی می‌کنند، تاکنون موفقیت محدودی داشته‌اند. یک دلیل اصلی این است که سیستم‌های فعلی ورودی گفتار را معادل صفحه کلید یا ماوس می‌دانند و رفتار توسط اسکریپت‌های از پیش تعریف‌شده کنترل می‌شود که سعی می‌کنند پیش‌بینی کنند کاربر چه می‌گوید و مطابق با آن عمل می‌کند. اما تشخیص دهندگان گفتار خطاهای زیادی مرتکب می شوند و انسان ها قابل پیش بینی نیستند. نتیجه سیستم‌هایی است که طراحی آن‌ها دشوار و در استفاده شکننده هستند.

روش‌های آماری برای مدیریت گفتگوی گفتاری دیدگاهی کاملاً متفاوت دارد. این دیالوگ را به عنوان مشکل استنباط مقاصد کاربر بر اساس آنچه گفته می شود، در نظر می گیرد. گفتگو به عنوان یک شبکه احتمالی مدل‌سازی می‌شود و کنش‌های گفتاری ورودی مشاهداتی هستند که شواهدی برای انجام استنتاج بیزی ارائه می‌کنند. نتیجه سیستمی است که در برابر خطاهای تشخیص گفتار بسیار قوی‌تر است و می‌توان با استفاده از یادگیری تقویتی، استراتژی گفتگو را به‌طور خودکار یاد گرفت. این پایان نامه هر دو معماری، الگوریتم های مورد نیاز برای استنتاج سریع زمان واقعی در شبکه های بسیار بزرگ، تخمین پارامتر مدل و بهینه سازی خط مشی را توصیف می کند.

این کار نوآورانه هم برای تمرین‌کنندگان در سیستم‌های گفتگوی گفتاری و هم برای دانشمندان شناختی علاقه‌مند به مدل‌های رفتار انسانی جالب خواهد بود.

Speech is the most natural mode of communication and yet attempts to build systems which support robust habitable conversations between a human and a machine have so far had only limited success. A key reason is that current systems treat speech input as equivalent to a keyboard or mouse, and behaviour is controlled by predefined scripts that try to anticipate what the user will say and act accordingly. But speech recognisers make many errors and humans are not predictable; the result is systems which are difficult to design and fragile in use.

Statistical methods for spoken dialogue management takes a radically different view. It treats dialogue as the problem of inferring a user's intentions based on what is said. The dialogue is modelled as a probabilistic network and the input speech acts are observations that provide evidence for performing Bayesian inference. The result is a system which is much more robust to speech recognition errors and for which a dialogue strategy can be learned automatically using reinforcement learning. The thesis describes both the architecture, the algorithms needed for fast real-time inference over very large networks, model parameter estimation and policy optimisation.

This ground-breaking work will be of interest both to practitioners in spoken dialogue systems and to cognitive scientists interested in models of human behaviour.