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。

Apr, 2020

本文提出了一种名为 SlotRefine 的新型非自回归模型，用于联合意图检测和槽填充，在此同时，设计了一种新颖的两挡迭代机制来解决非自回归模型的条件独立性问题，实验结果表明，我们的模型在槽填充任务中表现出了显著优异的表现，并且解码速度显著提高（高达 X 10.77），深入分析表明，1）预训练方案可以进一步增强我们的模型；2）两步机制确实修复了不协调的槽。

Oct, 2020

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

本文提出了一种新型非自回归对话系统核心部件 ——Layered-Refine Transformer，其包含 Slot Label Generation 和 Layered Refine Mechanism，通过在训练期间有效获取依赖信息，实现了在推断时显著提高了 SLU 性能（总体准确率提高 1.5% 以上）并加速了（超过 10 倍）推断过程。

Aug, 2021

本文提出了一种新的可伸缩且准确的神经对话状态跟踪模型，基于最近由 Zhong 等人提出的全局 - 本地自注意编码器（GLAD）模型，该模型使用全局模块共享不同类型（称为 slots）对话状态估计器之间的参数，并使用局部模块学习 slot-specific 特征，相较于 GLAD 模型的全局和局部调节使用的（1+ # slots）个循环网络，我们提出的模型仅使用一个循环网络进行全局调节，平均而言在训练和推断时间方面可以减少 35% 的延迟，同时保持置信状态跟踪的表现，转向请求率为 97.38％，联合目标和准确性为 88.51％，在多领域数据集（Multi-WoZ）上的评估也表明，我们的模型在转向信息和联合目标精度上优于 GLAD。

Dec, 2018

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

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

本文研究了基于递归神经网络的联合模型在口语理解（SLU）中的应用，实验结果显示其在意图检测和语义插槽填充任务中表现良好，在嘈杂语音输入场景下也具有较好的性能。

Sep, 2016

本文介绍了 Bert-Joint，一种利用多语言联合文本分类和序列标注框架的模型，旨在利用 “无递归” 模型成功应用于口语自然语言理解的任务上，并通过实验验证了该模型在英语基准数据集上表现出了强大的性能，处理少量的标注数据时表现良好。此外，我们还为意大利语语言标注了一个新数据集，并观察到了类似的性能，而不需要更改模型。

Jul, 2019

通过设计新的双模型基于 RNN 的语义框架解析网络结构，使用两个相关的双向 LSTMs 联合执行意图检测和槽位填充任务，取得了关于意图准确性提高了约 0.5％ 和槽位填充提高了 0.9％ 的最新成果。

Dec, 2018