多语言对话智能体模型中跨语言迁移学习方法评估

随着语音助手设备近年来的迅速普及，人们越来越有兴趣将其提供给更多国家和语言的用户群体。然而，为了给特定用户群体提供最高的准确率和最佳性能，大多数现有的语音助手模型都是针对每个地区或语言单独开发的，这需要线性的投入成本。本文提出了一种面向自然语言理解（NLU）模型的通用多语言模型框架，可帮助更快地引导新语言模型，并减少单独开发每种语言所需的工作量。我们探索了不同的深度学习架构如何影响多语言NLU模型的性能。实验结果表明，这些多语言模型在针对特定语言的测试数据上能够达到与单语模型相当或更好的性能，同时在特征构建和模型维护方面所需的工作量更少。