一种用于少样本意图分类与槽填充的显式联合监督对比学习框架
计算与语言
2021-10-27 v1 人工智能
摘要
意图分类（IC）和槽填充（SF）是任务型对话系统的关键组成部分。这两个任务密切相关且可相互促进。由于仅能利用少量话语来识别快速涌现的新意图和槽位，在实现IC和SF时常出现数据稀缺问题。然而，当每类训练样本数量极少时，很少有IC/SF模型表现良好。本文提出了一种新颖的用于少样本意图分类与槽填充的显式联合与监督对比学习框架。其亮点如下：（i）模型通过双向交互提取意图和槽位表示，并扩展原型网络以实现显式联合学习，从而保证IC和SF任务可相互增强。（ii）模型集成了监督对比学习，确保同类样本被拉近、不同类样本被推远。此外，模型遵循一种不常见但实用的方式来构建episode，摆脱了具有固定way和shot的传统设定，并允许不平衡数据集。在三个公开数据集上的大量实验表明，我们的模型能取得有前景的性能。
引用
@article{arxiv.2110.13691,
title = {An Explicit-Joint and Supervised-Contrastive Learning Framework for Few-Shot Intent Classification and Slot Filling},
author = {Han Liu and Feng Zhang and Xiaotong Zhang and Siyang Zhao and Xianchao Zhang},
journal= {arXiv preprint arXiv:2110.13691},
year = {2021}
}
备注
11 pages, 2 figures, Findings of the 2021 Conference on Empirical Methods in Natural Language Processing (EMNLP) (long paper), November 2021