EMNLPOct, 2022

组合优于单独：基于标签拓扑结构和标签关系的多意图检测和槽填充

PDF
TL;DR本研究提出了一种基于异构标签图的模型（HLG），以捕捉标签之间的依赖关系和关联关系，并利用这些关系来提高多重意图检测和位置填充任务的性能。我们还提出了标签感知的相互依赖解码机制，以进一步利用标签之间的关联关系来解码。实验结果表明，我们的 ReLa-Net 模型在 MixATIS 数据集上的整体准确性比以前的最佳模型高出 20％以上。
发现论文，激发创造
  • 基于依存结构的多粒度标签细化网络，用于联合意图检测和槽位填充

    本文提出一种基于依存结构和标签语义嵌入的多粒度标签精炼网络，利用图注意层介绍了句子的依存结构来增强句法表示，通过注意机制将任务特定的特征与相应的标签嵌入相结合捕获语法信息和任务标签之间的语义依赖关系。在两个公共数据集上的实验结果表明，我们的模型取得了竞争性能。

    Sep, 2022

  • Co-guiding Net：通过异构语义标签图实现多个意图检测和插槽填充之间的互相引导

    本文提出了 Co-guiding Net 这一新模型，通过两个异构语义标签图实现两个任务间的相互引导，有效地提高了基于图的多重意图检测和槽填充的性能。

    Oct, 2022

  • 多意图口语理解的协同引导

    提出了一种名为 Co-guiding Net 的新模型，采用两阶段框架实现了两个任务之间的相互引导，并且通过异构图注意网络有效地表示语义节点和标签节点之间的关系，并进一步利用对比学习提高模型性能。

    Nov, 2023

  • 层次多标签分类的双曲交互模型

    本文提出了一种使用超几何空间嵌入词汇和标签层次结构的方法来解决层级多标签分类问题。通过设计新的超球面交互模型，实现对标签感知的文档表示和 HMLC 预测，实验结果表明新模型相对于现有方法进一步提高了性能。

    May, 2019

  • 基于协作的多标签学习

    该论文提出了一种新的多标签学习方法，通过在标签空间中的稀疏重构来学习标签相关性，并将其无缝地整合到模型训练中，以明确考虑标签的相关预测。实验结果表明，该方法的表现优于现有的最先进技术。

    Feb, 2019

  • 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

  • 基于 Transformer 双关系图的多标签图像识别

    本文提出了基于 Transformer 双重关系学习框架的方法，通过构建结构关系图和语义关系图，利用显式的语义感知约束来动态地建模图像对象的语义含义，并将学习到的结构关系合并到语义图中，为多对象识别任务提供了一种新的方法。

    Oct, 2021

  • 使用标签关系学习结构化推断神经网络

    本文提出一种基于标签图和深度学习的结构化模型，采用新型的堆叠式标签预测神经网络，并利用不同概念层次的标签关系来提高图像分类性能，在基准图像数据集上验证了该方法的有效性。

    Nov, 2015

  • 基于嵌入的层级动态标注的半监督分类的拓展研究

    使用 Hierarchical Dynamic Labeling（HDL）算法，不依赖于模型预测的方式利用图像嵌入生成样本标签，进而改善半监督学习中伪标签生成的表现，验证了表示网络比分类器或预测器更可靠的动机。

    Apr, 2024

  • 层次化多标签分类的双曲线标签嵌入联合学习

    本文提出了一种联合学习分类器参数与标签嵌入的方法，用于多标签分类的层次化关系建模，结果表明该方法对具有效性，超过了以往基于共现信息的预训练超几何嵌入方法。

    Jan, 2021