本文综述了自然语言理解中重要的两个任务:目的意图分类和词槽填充。特别是联合模型已经成为达到最佳性能的方法,并揭示了两个任务之间的强关系。文章描述了意图分类和词槽填充在趋势、方法、问题、数据集、评估指标、性能、共享任务等方面的研究,其中包括不同维度的表格总结过去的研究。
Jan, 2021
本文重点考察了基于神经网络的研究,围绕自然语言理解在对话系统中的应用,着重研究了两个核心问题:slot filling 和 intent classification,并介绍了三种神经网络架构:独立模型、联合模型和迁移学习模型。提出了当前研究中面对的挑战。
Nov, 2020
该研究旨在通过引入包括超出支持意图范围的查询的新数据集来评估范围内 / 超出范围的分类器及其性能,以更严谨、更真实地评估用于任务驱动对话系统中的文本分类。
Sep, 2019
本研究介绍了一个新的数据集,用于分析信息搜寻对话的用户意图分布、共同出现和流程模式,并利用 MSDialog 数据集发现了一些可用于设计对话式搜索系统的高频用户意图模式。
Apr, 2018
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
本文提出了一种更普适的槽位填充方法,通过将其视为 JSON 生成任务,并使用语言模型进行处理。本文结合 DBpedia 和现有的槽位填充数据集以及 GPT-3 生成属于该领域的数据集,使用 T5 模型进行训练,并发现加入 prompt 后两个训练集的性能都有所提高。最终模型可以泛化到训练期间未见过的意图类型。
May, 2023
本文研究自然语言理解在科技中的重要性以及为低资源语言创建波斯语基准 ATIS dataset ,采用最先进的方法对其进行意图检测和填槽
Mar, 2023
本文提出了一种新颖的显式联合和监督对比学习框架,实现了少样本意图分类和词槽填充,通过构建 episode,允许不平衡的数据集。实验证明,该框架在三个公共数据集上都表现出色。
Oct, 2021
本文提出一个针对客户服务交互的自动感知意图的基准测试,探讨了虚拟助手、bot 架构设计、意图识别、客户服务交互和评估方法方面的研究成果,并在挑战中收到了来自 34 个团队的提交和结果。
Apr, 2023
本文提出了一种新的信息提取框架,结合主动学习方法将非预定义领域槽发现纳入对话管理过程中,实现对话机器人任务中的自动领域学习,充分发挥数据和人类经验的作用。