29、对话行为的增量识别与预测

对话行为的增量识别与预测

1 引言

在对话处理领域，准确识别对话行为对于理解对话意图和生成合适回应至关重要。传统方法在处理未分割的口语对话时存在一定局限性，而基于机器学习的增量识别方法为解决这一问题提供了新的思路。本文将介绍一种结合局部和全局分类器的方法，用于对话行为的增量识别，并探讨其优势和应用前景。

2 局部分类器的局限性

局部分类器在处理对话行为识别时，会根据输入的局部特征做出预测。然而，这些预测可能存在错误，且一旦做出决策就不会再重新评估。例如，在处理一些具有歧义的语句时，局部分类器可能会做出不准确的判断。

以“garden - path”现象为例，人类在解释话语时会根据后续信息修正之前的判断，但局部分类器缺乏这种灵活性。因此，仅依靠局部特征进行决策是不够的，需要结合更广泛的上下文信息。

3 全局分类器的引入

为了克服局部分类器的局限性，引入了全局分类器。全局分类器不仅考虑输入数据的局部特征，还将所有局部分类器的部分输出作为特征。具体操作步骤如下：
1. 训练局部分类器，获取每个输入的可能输出预测。
2. 选择五个先前预测的类标签作为特征，因为长距离依赖可能很重要，且数据中功能段的平均长度为 4.4 个标记。
3. 训练全局分类器，将局部特征和先前预测的输出作为输入。

以下是使用全局分类器对 AMI 和 Map Task 数据进行分类的 F - scores 和 DERsc 概述（基于五个先前标记的预测）：
| 分类 | AMI 数据 - BayesNet | AMI 数据 - Ripper | Map Task 数据 - BayesNet |