EMNLPApr, 2020

AGIF: 一个自适应的图交互框架，用于联合多意图检测和槽填充

PDF
TL;DR本文提出了一个自适应图交互框架（AGIF）用于联合多个意图检测和填充，其中介绍了一种意图 - 词槽图交互层来模拟词槽和意图之间的强相关性。在三个多意图数据集上的实验结果表明，我们的框架获得了实质性的改进并实现了最新的性能。另外，我们的框架在两个单意图数据集上实现了新的最新性能表现。
spoken language understandingmultiple intentsadaptive graph-interactive frameworkintent-slot graphslot prediction
发现论文，激发创造
  • 带有标记语义注入的动态图交互式框架用于口语理解

    本文提出了一种名为 DGIF 的框架，采用语义标签信息构建交互式图模型来模拟意图和槽之间的关系，相较于现有方法在 MixATIS 数据集上的综合准确度相对提升了 13.7%。

    Nov, 2022

  • GL-GIN: 快速准确的非自回归模型用于联合多意图检测和槽位填充

    本研究提出了一种非自回归模型，名为 Global-Locally Graph Interaction Network (GL-GIN)，用于联合多个意图检测和槽位填充，并在两个公共数据集上取得了最先进的结果，并快了 11.5 倍。

    Jun, 2021

  • 使用 BERT 的明确槽位 - 意图映射用于联合多意图检测和槽位填充

    本文提出了一个基于 BERT 的多意图自然语言理解框架 SLIM，可以共同学习多意图检测和插槽填充，并引入显式的槽 - 意图分类器以学习槽和意图之间的多对一映射，实验结果表明，相对于现有技术，SLIM 在多意图 NLU 方面具有优越性，并且可以获得来自槽 - 意图分类器的好处。

    Aug, 2021

  • 一种新的双向关联模型，用于联合意图检测和槽位填充

    本文提出了一种新颖的双向互相关联的联合意图检测和槽填充模型，通过引入 SF-ID 网络和全新的迭代机制来增强两个任务之间的双向关联，实验结果表明，在 ATIS 和 Snips 数据集上，与现有最先进的模型相比，本模型在句子级语义框架准确度上相对提高了 3.79% 和 5.42%。

    Jun, 2019

  • 基于提示的多意图口语理解统一框架

    本研究提出了 Prompt-based Spoken Language Understanding（PromptSLU）框架，通过提供通用的预训练 Seq2Seq 模型，将意图检测（ID）和槽位填充（SF）两个子任务统一为同一形式。实验结果表明，该框架在两个公共数据集上表现优于现有的一些最先进模型。

    Oct, 2022

  • 一种用于多意图口语理解的 BiRGAT 模型与分层语义框架

    本研究主要关注多意图的口语理解，提出了一个多意图数据集，使用 BiRGAT 模型编码本体项的层级结构，并配合三路指针生成器解码器，在实验中取得了显著优于传统序列标签和基于分类的方案的结果。

    Feb, 2024

  • 基于 Token 级别意图检测的栈传播框架用于口语理解

    该论文提出了一种新的用于自然语言理解的框架，采用了联合模型和 Stack-Propagation，旨在更好地结合意图信息以进一步指导填槽，使用 BERT 模型进一步提升了性能。

    Sep, 2019

  • 基于胶囊神经网络的联合槽位填充与意图识别

    本研究提出了基于 capsule 的神经网络模型，通过动态路由协议实现槽填充和意图检测，从而有效地利用了语义层次结构。实验表明，与其他模型结构以及现有自然语言理解服务相比，我们的模型具有更好的性能。

    Dec, 2018

  • 双向联合神经网络用于意图分类和槽填充

    本文提出了一种基于 BERT 的双向联合模型，通过 intent2slot 和 slot2intent 两个机制同时优化意图分类和位置填充，达到了当前公开数据集 ATIS（88.6％）和 SNIPS（92.8％）的最好结果，并显著提高了句子级语义框架的准确性。

    Feb, 2022

  • 用于联合槽填充和意图检测的交互式 Transformer

    本研究将 Co-Interactive Transformer 模型应用于意图检测和填槽的交互学习任务，通过构建双向联接，考虑两个相关任务的交叉影响，并在 SNIPS 和 ATIS 数据集上获得了最先进的性能表现，成功捕获了相互交互的知识。

    Oct, 2020