全标签联合:基于高效标签语义编码范式的低样本意图检测
计算与语言
2023-09-11 v2
摘要
在意图检测任务中,利用意图标签中有意义的语义信息对少样本场景尤为有益。然而,现有少样本意图检测方法要么忽略意图标签(例如将意图视为索引),要么未充分利用该信息(例如仅使用部分意图标签)。本工作中,我们提出一个端到端的一对全(One-to-All)系统,使得输入话语可与所有标签候选进行比较。该系统由此可充分利用标签语义。在三个少样本意图检测任务上的实验表明,One-to-All 在训练资源极度匮乏时特别有效,在 1-shot、3-shot 和 5-shot 设定下均达到最优(state-of-the-art)性能。此外,我们提出了一种针对本模型的新颖预训练策略,利用释义的间接监督,实现意图检测任务上的零样本跨域泛化。我们的代码位于 https://github.com/jiangshdd/AllLablesTogether。
引用
@article{arxiv.2309.03563,
title = {All Labels Together: Low-shot Intent Detection with an Efficient Label Semantic Encoding Paradigm},
author = {Jiangshu Du and Congying Xia and Wenpeng Yin and Tingting Liang and Philip S. Yu},
journal= {arXiv preprint arXiv:2309.03563},
year = {2023}
}
备注
Accepted by IJCNLP-AACL 2023