《MOSS:End-to-End Dialog System Framework with Modular Supervision》是小i机器人研究院团队与加州大学戴维斯分校联合发表的一篇关于面向任务型对话的论文。MOSS（模块化监督网络）是一个End-to-End的Encoder-Decoder训练框架，整合了来自中间对话系统中的各种有监督模块，包括自然语言理解、对话状态跟踪、对话策略学习和自然语言生成。由于缺乏数据是训练端到端面向任务的对话系统的主要瓶颈，MOSS更有效地利用有限的培训数据，在只有60%的训练数据条件下，让CamRest676任务达到了最先进的水平。在只有40%的训练数据条件下，让复杂的笔记本电脑网络故障排除数据集（LaptopNetwork）任务达到了最先进的水平。此外，MOSS也是一个灵活的框架，可以去掉一些模块的监督学习，是一个可插拔使用的模型。

　　论文提出了遵循模块化系统的思路，在一个端到端的可训练框架中，为每个对话模块注入丰富的监督。在MOSS框架下，诸如自然语言理解、对话状态跟踪、对话策略学习和自然语言生成等对话模块共享一个编码器，但分别有各自的解码器。不同模块的解码器通过隐藏状态连接，而不是通过符号输出。然后对各模块进行联合优化，避免误差传播和模型失配。此外，由于MOSS在测试过程中会产生单个模块的输出，所以可以通过检查模块输出来轻松定位错误。

　　值得一提的是，该入选论文中还首次发表了LaptopNetwork——由小i机器人研究院团队与加州大学戴维斯分校共同收集整理的一个真实的笔记本电脑网络故障排除的中文任务。LaptopNetwork数据集收集来自于一个在线打字的售后服务平台，它涉及到有技术问题的真实客户和专业的电脑维护工程师，因此更加真实。在LaptopNetwork中，工程师可能会根据客户的反馈给出不同的解决方案。LaptopNetwork有来自97名工程师的618个对话，每个对话平均14.76个回合，每个话语平均有51.67个汉字，每个对话平均耗时985.82秒。为LaptopNetwork开发一个注释方案是很有挑战性的，因为对话框中充满了诸如“网络适配器”和“网络编程接口”之类的计算机维护术语，这些术语对于初学者来说很难理解。论文最后确定了60种不同的对话行为，其中12种是与网络解决方案相关的对话行为。与CamRest676这类只有请求和提供信息两种对话行为的信息查询任务相比，论文提出的网络故障排除任务要复杂得多。

　　通过论文的实验结果表明，当对话任务具有更复杂的对话状态和操作空间时，引入模块化监控会带来更大的好处。如图所示，在只有40%的训练数据的情况下，MOSS-all在所有指标上都优于TSCP。