CrossWOZ

该数据集是一个面向中文任务的数据库，其领域设置与MultiWOZ验证/测试集相同。它包含了诸如出租车、餐厅、酒店、景点和火车等不同领域的信息。该数据集的任务是进行意图检测。This dataset is a database tailored for Chinese-language tasks, whose domain setting matches that of the MultiWOZ validation and test sets. It encompasses information across multiple domains including taxi, restaurant, hotel, attraction, and train. The core task of this dataset is intent detection.

搜集汇总

数据集介绍

构建方式

在任务导向对话系统的研究版图中，跨领域对话建模始终是亟待突破的关键瓶颈，而高质量中文语料的匮乏更制约着这一领域的发展。为填补这一空白，CrossWOZ数据集应运而生，其构建过程严谨而精细。首先，研究者从互联网爬取了北京市涵盖景点、餐厅、酒店三大领域的丰富实体信息，并基于邻近关系构建了地铁与出租车领域数据库。随后，通过精巧的多领域目标生成器，设计出包含跨领域可告知槽位的复杂用户目标，使得一个领域的选择会动态影响关联领域的后续决策。在数据采集环节，采用同步人机对话模式，将经过严格培训的工人配对，依据生成的目标进行自然对话，并同步标注用户与系统两侧的对话状态与对话行为，最终形成了包含5,012个训练对话、84,692轮次的高质量语料库。

特点

CrossWOZ数据集的核心特色在于其天然且富有挑战性的跨领域依赖关系。约60%的对话包含跨领域用户目标，例如用户需在选定景点后，再寻找其附近的酒店，这种动态关联远超以往数据集中预设的简单约束。该数据集是首个大规模中文跨领域任务导向对话语料，覆盖酒店、餐厅、景点、地铁、出租车五个领域，平均每个对话涉及3.24个子目标，对话轮次达16.9轮，复杂度显著高于同类英文数据集。尤为珍贵的是，它提供了用户侧与系统侧的双向对话状态与行为标注，这一独特设计不仅支持从用户视角追踪对话进程，更为构建精细化的用户模拟器奠定了坚实基础。

使用方法

CrossWOZ数据集的丰富标注使其成为跨领域对话建模的多功能试验平台。研究者可将其用于流水线式对话系统的各个模块：在自然语言理解任务中，利用BERT等模型进行意图分类与槽位填充；在对话状态跟踪任务中，可借助规则或TRADE等生成式模型从上下文直接解析用户目标；对话策略学习则可通过监督学习或强化学习，基于系统状态输出下一轮系统行为。此外，数据集内置的规则型用户模拟器支持对话系统端到端的自动评估，通过设定任务完成率等指标衡量整体性能。研究者还可利用用户侧标注开发更智能的用户模拟器，或探索跨领域依赖关系建模、协商对话等前沿课题，推动中文任务导向对话系统的全面发展。

背景与挑战

背景概述

任务型对话系统在自然语言处理领域中占据重要地位，然而现有的大规模数据集多集中于英文场景，且多为单领域对话，难以模拟真实对话中自然的跨领域转换。为弥补中文任务型对话数据资源的匮乏，并推动跨领域对话建模的发展，清华大学计算机科学与技术系黄民烈教授团队于2020年发布了CrossWOZ数据集。该数据集是首个大规模中文跨领域任务型对话语料库，涵盖酒店、餐厅、景点、地铁和出租车五个领域，包含约6000个对话会话和102K条话语。其核心研究问题聚焦于如何构建能够处理领域间依赖关系（如用户选择景点后需推荐附近酒店）的对话系统，并为此提供了用户端和系统端丰富的对话状态与对话行为标注。CrossWOZ的提出不仅填补了中文任务型对话领域的空白，更为多领域对话状态跟踪、策略学习等研究提供了坚实的数据基础与基准模型，对推动中文人机对话技术的发展具有里程碑式意义。

当前挑战

CrossWOZ数据集所面临的挑战主要体现在两个层面。在领域问题层面，其核心难点在于处理复杂的跨领域依赖关系：用户在一领域的决策（如选择某个景点）会动态影响后续领域的选择（如要求附近酒店），这种非预设的约束条件使得对话状态跟踪和策略学习任务极具挑战性，现有模型在跨领域转换时的准确率显著下降，例如TRADE模型在跨多领域对话上的联合状态准确率仅为30%左右。在构建过程层面，挑战在于如何生成自然且逻辑连贯的跨领域用户目标，为此研究团队设计了基于邻近关系的目标生成算法，并采用同步人机对话模式以确保数据质量，同时还需为每条对话提供用户端与系统端的双层标注，这一过程涉及复杂的规则设计与人工审核，对数据规模和标注一致性提出了极高要求。

常用场景

经典使用场景

在任务型对话系统研究领域，跨域对话建模一直是极具挑战性的核心课题。CrossWOZ作为首个大规模中文跨域任务型对话数据集，精心采集了涵盖酒店、餐厅、景点、地铁和出租车五个领域的6K段对话与102K条话语，其中约60%的对话包含跨域用户目标。该数据集最经典的使用场景是作为跨域对话状态追踪（DST）的基准测试平台，研究者可利用其丰富的用户侧与系统侧对话状态及行为标注，训练模型在复杂跨域依赖中精准追踪用户意图，例如当用户选择某景点后要求推荐附近酒店时，模型需动态理解上下文关联并更新状态。

解决学术问题

CrossWOZ的构建旨在填补中文任务型对话语料的空白，并解决现有数据集（如MultiWOZ）中跨域依赖过于简单、用户侧标注缺失等学术瓶颈。该数据集通过设计动态变化的跨域信息槽（如“景点附近酒店”），使一个域的选择会实质影响关联域的结果，从而推动了对真实对话中自然域间过渡与协商机制的研究。其提供的用户模拟器与多种基准模型（如BERTNLU、TRADE）为自然语言理解、策略学习等子任务设立了标准化评估框架，显著促进了跨域对话系统各模块的协同优化。

衍生相关工作

CrossWOZ的发布催生了一系列衍生研究工作，显著推动了跨域对话技术的发展。基于其标注体系，研究者提出了改进的对话状态追踪模型（如SAS-DST），以更好地捕捉域间依赖；在对话策略学习方面，衍生工作探索了利用图神经网络建模域间关系，以提升推荐与协商能力。此外，该数据集还促进了中文对话预训练模型的评估与微调，例如将CrossWOZ融入CPM或UniLM的训练流程，验证了跨域知识迁移的有效性。其提供的用户模拟器也被扩展为更复杂的神经模拟器，用于强化学习中的策略优化。