对话状态追踪（DST）是任务导向对话系统的核心组件之一。在对话的每一轮中，DST 评估用户信念或对话状态，这些信息用作下游模块预测系统动作和生成响应的输入。随着 Google Assistant、Siri 和 Alexa 等对话系统应用的普及，支持大量服务和 API 的需求日益增长，关注这些系统的可扩展性也随之增加。尤其是在某些几乎没有训练数据的领域，转移其他领域的现有知识的能力显得尤为重要。
本文提出了一种新颖的可扩展框架，用于多领域对话状态追踪。该系统利用预训练的 BERT 模型，实现了零样本迁移，使其能够快速适应新领域而无需额外训练。我们的模型在最近发布的基于模式的对话（SGD）数据集上进行了评估，结果显示其性能显著优于先前的基线。
博主点评： 本文展示了如何利用BERT模型进行对话状态追踪的创新方法，尤其是在数据稀缺的情况下，零样本迁移能力的实现为多领域对话系统的可扩展性提供了新的思路。这种方法在实际应用中具有广泛的前景，值得关注。