基于 K-center 对比学习与可调决策边界的有效开放意图分类
计算与语言
2023-04-21 v1
摘要
开放意图分类旨在将已知意图正确分类到对应类别中，同时识别新的未知（开放）意图，是对话系统中一项重要但具有挑战性的任务。本文中，我们引入新颖的 K-center 对比学习和可调决策边界学习（CLAB）以提升开放意图分类的有效性。首先，我们在带标签的训练实例上预训练一个特征编码器，将知识从已知意图迁移到未知意图。具体而言，我们设计了一种 K-center 对比学习算法来学习有判别性且均衡的意图特征，提升模型识别开放意图的泛化能力。其次，我们设计了一种具有扩展与收缩机制的可调决策边界学习方法（ADBES）以确定合适的决策条件。具体地，我们为每个已知意图类别学习一个决策边界，其由决策中心和决策边界半径组成。若类外实例远离决策边界，则扩展决策边界半径以容纳更多类内实例；否则收缩决策边界半径。在三个基准数据集上的大量实验清晰地证明了我们的方法在开放意图分类上的有效性。为可复现性，我们将代码提交于：https://github.com/lxk00/CLAP
引用
@article{arxiv.2304.10220,
title = {Effective Open Intent Classification with K-center Contrastive Learning and Adjustable Decision Boundary},
author = {Xiaokang Liu and Jianquan Li and Jingjing Mu and Min Yang and Ruifeng Xu and Benyou Wang},
journal= {arXiv preprint arXiv:2304.10220},
year = {2023}
}
备注
9 pages, 4 figures