CM-Net：一种用于口语语言理解的新型协作记忆网络
计算与语言
2019-09-17 v1
摘要
口语语言理解（SLU）主要涉及意图检测和槽填充两个任务，现有工作通常将二者联合建模。然而，大多数现有模型未能充分利用槽与意图之间的共现关系，这限制了其潜在的性能。为解决此问题，本文提出一种基于精心设计的称为 CM-block 的模块构建的新型协作记忆网络（CM-Net）。CM-block 首先以协作方式从记忆中捕获槽特定和意图特定的特征，然后利用这些 enriched 特征增强局部上下文表示，基于这些表示，序列信息流导向更具体的（槽和意图）全局话语表示。通过堆叠多个 CM-block，我们的 CM-Net 能够交替地在特定记忆、局部上下文和全局话语之间进行信息交换，从而逐步相互丰富。我们在两个标准基准（ATIS 和 SNIPS）以及一个自行收集语料库（CAIS）上评估 CM-Net。实验结果表明，CM-Net 在 ATIS 和 SNIPS 的大多数指标上取得了最先进（state-of-the-art）结果，并在 CAIS 上显著优于基线模型。此外，我们公开了 CAIS 数据集以供研究社区使用。
引用
@article{arxiv.1909.06937,
title = {CM-Net: A Novel Collaborative Memory Network for Spoken Language Understanding},
author = {Yijin Liu and Fandong Meng and Jinchao Zhang and Jie Zhou and Yufeng Chen and Jinan Xu},
journal= {arXiv preprint arXiv:1909.06937},
year = {2019}
}
备注
Accepted as a long paper at EMNLP 2019. Code and data is available at: https://github.com/Adaxry/CM-Net