面向对话系统的自动意图-槽位归纳
人工智能
2021-03-17 v1 计算与语言
摘要
从用户口语中自动且准确地识别意图并填充相应槽位是对话系统成功的关键。传统方法需手动定义 DOMAIN-INTENT-SLOT 模式，并请众多领域专家标注相应话语以训练神经模型。该流程带来开放域对话系统中信息共享受阻、超出模式或数据稀疏等挑战。为应对这些挑战，我们探索一项新任务——{\em 自动意图-槽位归纳}，并提出一种新颖的与领域无关的工具。即我们设计了一个由粗到细的三步流程，包括角色标注、概念挖掘与模式挖掘（RCAP）：(1) 角色标注：从用户话语中抽取关键短语，并通过序列标注将其分类为粗定义意图角色四元组；(2) 概念挖掘：对抽取出的意图角色提及进行聚类，并命名为抽象细粒度概念；(3) 模式挖掘：应用 Apriori 算法挖掘意图角色模式，并利用这些粗粒度意图角色标签与细粒度概念自动推断意图-槽位。在真实世界领域内与领域外数据集上的实证评估表明：(1) 我们的 RCAP 能生成令人满意的自然语言理解（SLU）模式，并优于最先进的监督学习方法；(2) 我们的 RCAP 可直接应用于领域外数据集，在意图检测上获得至少 76% 的 F1-score 提升，在槽位填充上获得 41% 的 F1-score 提升；(3) 我们的 RCAP 以更少人工代价展现了通用意图-槽位抽取的能力，为可泛化对话系统的新领域模式归纳与未知意图-槽位发现开辟了路径。
引用
@article{arxiv.2103.08886,
title = {Automatic Intent-Slot Induction for Dialogue Systems},
author = {Zengfeng Zeng and Dan Ma and Haiqin Yang and Zhen Gou and Jianping Shen},
journal= {arXiv preprint arXiv:2103.08886},
year = {2021}
}
备注
12 pages, 11 figures, 6 tables, in WWW'21