数据集:

multi_woz_v22

任务:

文本生成

填充掩码

标记分类

子任务:

dialogue-modeling multi-class-classification parsing

语言:

计算机处理:

monolingual

大小:

10K<n<100K

语言创建人:

crowdsourced machine-generated

批注创建人:

machine-generated

源数据集:

original

预印本库:

arxiv:1810.00278

许可:

apache-2.0

数据集介绍文件清单

英文

数据集卡片：MultiWOZ

数据集摘要

MultiWOZ 是一个多领域Wizard-of-Oz数据集，包含多个领域和话题的人类-人类对话，是一个完全标注的数据集。MultiWOZ 2.1 (Eric et al., 2019) 在原始版本的基础上发现并修复了许多错误的注释和用户话语，从而得到了改进版本的数据集。MultiWOZ 2.2 是该数据集的另一个改进版本，它在 MultiWOZ 2.1 的基础上修正了 17.3% 的话语中的对话状态注释错误，并重新定义了词汇表的概念，不允许具有大量可能值的槽（例如，餐厅名称、预订时间），并为这些槽引入了规范化的槽跨度注释。

支持的任务和排行榜

该数据集支持一系列任务。

生成对话模型或对话建模：可以使用对话文本训练序列模型的话语。该任务的性能通常通过去标识化- BLEU 、inform rate和request success进行评估。
意图状态跟踪，多类别分类任务：预测对话中用户一方的信念状态，性能通过 F1 进行衡量。
对话行为预测，解析任务：将话语解析为系统所使用的相应对话行为。通常报告 F1 。

语言

数据集中的文本为英文（en）。

数据集结构

数据实例

数据实例是用户和系统之间的完整多轮对话。每个轮次都有一个话语，例如：

['What fun places can I visit in the East?',
 'We have five spots which include boating, museums and entertainment. Any preferences that you have?']

用户的话语还使用标记表示其意图和信念状态：

[{'service': ['attraction'],
  'slots': [{'copy_from': [],
    'copy_from_value': [],
    'exclusive_end': [],
    'slot': [],
    'start': [],
    'value': []}],
  'state': [{'active_intent': 'find_attraction',
    'requested_slots': [],
    'slots_values': {'slots_values_list': [['east']],
     'slots_values_name': ['attraction-area']}}]},
 {'service': [], 'slots': [], 'state': []}]

最后，每个话语都用对话行为进行标注，对话行为提供关于用户或系统正在询问或提供信息的结构化表示。

[{'dialog_act': {'act_slots': [{'slot_name': ['east'],
     'slot_value': ['area']}],
   'act_type': ['Attraction-Inform']},
  'span_info': {'act_slot_name': ['area'],
   'act_slot_value': ['east'],
   'act_type': ['Attraction-Inform'],
   'span_end': [39],
   'span_start': [35]}},
 {'dialog_act': {'act_slots': [{'slot_name': ['none'], 'slot_value': ['none']},
    {'slot_name': ['boating', 'museums', 'entertainment', 'five'],
     'slot_value': ['type', 'type', 'type', 'choice']}],
   'act_type': ['Attraction-Select', 'Attraction-Inform']},
  'span_info': {'act_slot_name': ['type', 'type', 'type', 'choice'],
   'act_slot_value': ['boating', 'museums', 'entertainment', 'five'],
   'act_type': ['Attraction-Inform',
    'Attraction-Inform',
    'Attraction-Inform',
    'Attraction-Inform'],
   'span_end': [40, 49, 67, 12],
   'span_start': [33, 42, 54, 8]}}]

数据字段

每个对话实例包含以下字段：

对话ID：唯一标识对话的ID。MUL和PMUL名称指的是严格的多领域对话（至少涉及 2 个主要领域），而SNG、SSNG和WOZ名称指的是具有可能的子领域（如预订）的单一领域对话。
服务：对话中提到的服务的列表，如火车或医院。
轮次：话语的序列及其注释，包括：
- 轮次ID：对话中的轮次标识符，对话唯一。
- 发言人：用户或系统。
- 话语：话语的文本。
- 对话行为：将话语结构化解析为系统语法中的对话行为
  - 行为类型：如 Attraction-Inform ，用于寻求或提供有关景点的信息。
  - 行为槽：提供有关行为的更多详细信息。
  - 跨度信息：将这些行为槽映射到话语文本。
- 框架：仅对用户话语进行，跟踪用户的信念状态，即他们在对话中试图实现的结构化表示。它分解为：
  - 服务：他们感兴趣的服务。
  - 状态：他们的信念状态，包括其active_intent和在requested_slots中表达的更多信息。
  - 槽：将requested_slots映射到它们在文本中被提及的位置。它有两种形式，详见下文：第一种类型是用于非分类槽的标识槽值在话语中被提及的位置的跨度注释。这些跨度注释的表示形式如下：

{
  "slots": [
    {
      "slot": String of slot name.
      "start": Int denoting the index of the starting character in the utterance corresponding to the slot value.
      "exclusive_end": Int denoting the index of the character just after the last character corresponding to the slot value in the utterance. In python, utterance[start:exclusive_end] gives the slot value.
      "value": String of value. It equals to utterance[start:exclusive_end], where utterance is the current utterance in string.
    }
  ]
}

还有一些非分类槽，它们的值是从对话状态中的另一个槽中获取的。它们的值不明确出现在话语中。例如，用户话语可能为"I also need a taxi from the restaurant to the hotel."，其中 "taxi-departure" 和 "taxi-destination" 的状态值分别从 "restaurant-name" 和 "hotel-name" 的状态值中获取。对于这些槽，不使用跨度进行标注，而是使用 "copy from" 注释来标识其所复制值的槽。此注释格式如下：

{
  "slots": [
    {
      "slot": Slot name string.
      "copy_from": The slot to copy from.
      "value": A list of slot values being . It corresponds to the state values of the "copy_from" slot.
    }
  ]
}

数据拆分

数据集被拆分为训练集、验证集和测试集，各自的大小为：

train	validation	test
Number of dialogues	8438	1000	1000
Number of turns	42190	5000	5000

数据集创建

创建原理

[需要更多信息]

源数据

收集和规范化的初始数据

[需要更多信息]

谁是源语言的生产者？

[需要更多信息]

注释

注释过程

[需要更多信息]

谁是注释者？

[需要更多信息]

个人和敏感信息

[需要更多信息]

使用数据的注意事项

数据的社会影响

[需要更多信息]

偏见讨论

[需要更多信息]

其他已知限制

[需要更多信息]

其他信息

数据集创建者

最初的数据集（版本1.0和2.0）由 Cambridge Dialogue Systems Group 的一组研究人员创建。版本2.1基于v2.0由亚马逊团队开发，v2.2由谷歌研究人员团队开发。

许可信息

该数据集发布在Apache License 2.0下。

引用信息

您可以引用以下相关版本的MultiWOZ：

Version 1.0

@inproceedings{ramadan2018large,
  title={Large-Scale Multi-Domain Belief Tracking with Knowledge Sharing},
  author={Ramadan, Osman and Budzianowski, Pawe{\l} and Gasic, Milica},
  booktitle={Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics},
  volume={2},
  pages={432--437},
  year={2018}
}

Version 2.0

@inproceedings{budzianowski2018large,
    Author = {Budzianowski, Pawe{\l} and Wen, Tsung-Hsien and Tseng, Bo-Hsiang  and Casanueva, I{\~n}igo and Ultes Stefan and Ramadan Osman and Ga{\v{s}}i\'c, Milica},
    title={MultiWOZ - A Large-Scale Multi-Domain Wizard-of-Oz Dataset for Task-Oriented Dialogue Modelling},
    booktitle={Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing (EMNLP)},
    year={2018}
}

Version 2.1

@article{eric2019multiwoz,
  title={MultiWOZ 2.1: Multi-Domain Dialogue State Corrections and State Tracking Baselines},
  author={Eric, Mihail and Goel, Rahul and Paul, Shachi and Sethi, Abhishek and Agarwal, Sanchit and Gao, Shuyag and Hakkani-Tur, Dilek},
  journal={arXiv preprint arXiv:1907.01669},
  year={2019}
}

Version 2.2

@inproceedings{zang2020multiwoz,
  title={MultiWOZ 2.2: A Dialogue Dataset with Additional Annotation Corrections and State Tracking Baselines},
  author={Zang, Xiaoxue and Rastogi, Abhinav and Sunkara, Srinivas and Gupta, Raghav and Zhang, Jianguo and Chen, Jindong},
  booktitle={Proceedings of the 2nd Workshop on Natural Language Processing for Conversational AI, ACL 2020},
  pages={109--117},
  year={2020}
}

贡献

感谢 @yjernite 添加此数据集。

作者:

佚名

数据集大小:

46.48 KB