用于在线购物助手中槽位填充的深度级联多任务学习

槽位填充是对话系统中自然语言理解（NLU）的一项关键任务。最先进的方法将其视为序列标注问题，并采用诸如 BiLSTM-CRF 等模型。尽管这些模型在标准基准数据集上表现相对良好，但在电子商务场景中面临挑战，因为该场景下的槽位标签信息量更大且承载更丰富的表达。在本工作中，受电子商务知识库独特结构的启发，我们提出了一种具有级联和残差连接的新型多任务模型，该模型联合学习片段标注、命名实体标注和槽位填充。实验证明了所提出的级联和残差结构的有效性。在一个新的中文电子商务购物助手数据集上，我们的模型在 F1 分数上比强基线方法有 14.6% 的优势，同时在标准数据集上取得了有竞争力的准确率。此外，部署在主流电子商务平台上的在线测试显示，对用户话语理解的准确率提高了 130%。我们的模型已在电子商务平台投入生产。