一代语音助理，如 Siri、Cortana 和 Google Now 已成为流行的语音对话系统。最近，我们看到基于文本的对话代理（也称为聊天机器人）有所增加。出于隐私原因，为了避免在嘈杂环境中识别错误，许多用户更喜欢使用文本语音。这些代理作为下载和安装应用程序的替代方法也值得欢迎。当完成简单的任务（如订购出租车或询问天气）时，这很有意义。

在大多数情况下，与语音助理非常相似，这些聊天机器人仅支持非常简单和顺序交互。原因是用户的目标定义良好，对话流很容易手工制作。但是，还有其他用例，如客户服务或旅行预订，其中有一个决策过程。

Frames正是为了鼓励对对话代理的研究，这些代理可以支持复杂环境中的决策，在这种情况下，预订假期包括航班和酒店。我们相信，下一代对话代理不仅需要搜索数据库，还需要帮助用户浏览数据库、比较项目并做出决定。

Frames中的对话以奥兹向导的方式收集。两个人通过聊天界面互相交谈。一个是扮演用户的角色，另一个是扮演对话代理的角色。我们称后者为巫师，指奥兹巫师，幕后人。巫师们可以访问一个包含250多个包裹的数据库，每个包由酒店和往返航班组成。我们给用户一些限制，每次对话，我们要求他们找到最好的交易。这导致了复杂的对话，用户通常会考虑不同的选项，比较包，并逐步构建她理想的旅行的描述。

帧跟踪

使用此数据集，我们还提出了一项新任务：帧跟踪。我们的主要观察是，决策与记忆紧密相连。实际上，为了选择旅行，用户和向导讨论了不同的可能性，比较了它们，并在城市、日期或度假套餐之间来回切换。

当前系统是无内存的。它们实现槽填充以搜索为顺序过程，在一个接一个地要求用户输入约束，直到可以制定数据库查询。内存中仅保留一组约束。例如，在下图中，在左侧，当用户提到蒙特利尔时，它覆盖多伦多作为目的地城市。但是，在 Frame 中观察到的行为意味着不应覆盖槽值。一个用例是比较：用户通常要求比较不同的项目，在这种情况下，涉及不同的约束集（例如，不同的目标）。帧跟踪包括将用户提到的所有不同约束集记在内存中。它是状态跟踪任务的概括，不仅记住当前帧。"

添加此类会话内存是构建代理的关键，这些代理不仅用作搜索数据库的自然语言界面，而是陪同用户进行探索，帮助他们找到最佳项目。

大多数对话系统将面向目标的对话作为一个连续的、槽填充的过程来实现。每个对话状态都用新信息（左）或覆盖（右）来增强。	解决帧跟踪将使对话系统能够记住用户提供的所有信息，并允许项目之间的比较。

数据采集

12名与会者在20天内进行了对话。

我们部署了名为 wozbot 的 Slack 机器人，使参与者能够配对。每个对话开始时，向导都得到了指向搜索界面的链接。搜索界面是一个简单的图形界面，与数据库中的所有可搜索字段（目标、来源、预算、日期等）组成。

对于每个对话，用户都与可用的向导配对，并收到一个新任务。

数据 注意：酒店名称、航班信息和度假套餐是虚构的，与实际酒店名称或度假套餐的任何相似之处都是巧合。自行使用。

数据集格式 我们提供 JSON 格式的帧对话。每个对话有五个主要字段：user_id、wizard_id、id、用户调查和转弯。有关这些字段的更多详细信息，请参阅本文。

这些是 Frame 数据集中的一些重要字段，但是，我们鼓励您浏览论文以进一步描述数据集中的各种字段。