EMNLPDec, 2023

MISCA：一种用于多意图检测和槽位填充的联合模型，具有意图 - 槽位共同关注

PDF
TL;DR我们提出了一种名为 MISCA 的联合模型，它引入了一个意图 - 槽相互注意机制和一个标签注意机制的底层层次，可以有效捕捉意图和槽标签之间的关联，消除了图构建的需要，并通过多个层次的标签特定表示从意图到槽和从槽到意图传递关联信息，从而在两个基准数据集 MixATIS 和 MixSNIPS 上实现了新的最新的整体准确性性能，突显了我们注意机制的有效性。
发现论文，激发创造
  • 联合多种意图检测和槽位填充的受监督对比学习和自蒸馏方法

    我们提出了一种通过双向联合模型以及监督对比学习和自我蒸馏的训练方法来解决多意图检测和槽填充问题，并且实验证明该方法在这两个任务中的表现优于最先进的模型。

    Aug, 2023

  • 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

  • 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

  • 基于注意力机制的循环神经网络模型：联合意图检测与槽位填充

    提出了一种基于注意力机制的神经网络模型，用于同时执行关键步骤（意图检测、填充构構）进行语音理解和对话系统处理。该模型基于编码 - 解码框架，将对齐信息的注意力融合到了模型中，其表现优于传统模型。

    Sep, 2016

  • 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

  • 自然语言理解中联合意图检测和槽位填充模型调查

    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

  • 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

  • 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

  • JPIS：面向基于配置文件的意图检测与槽位填充的联合模型及槽位到意图的注意力

    JPIS 模型利用支持的个人资料信息增强了基于个人资料的意图检测和槽位填充的性能，并引入了槽位到意图的注意机制，从而取得了超过先前模型的性能，在中文基准数据集 ProSLU 上建立了最新的最佳性能。

    Dec, 2023

  • 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