用于改进意图检测与槽填充联合任务的可解释槽类型注意力
机器学习
2022-10-20 v1 人工智能
计算与语言
摘要
意图检测与槽填充联合是自然语言理解（NLU）中的关键研究课题。现有的意图与槽填充联合系统对所有槽类型集体分析和计算特征，且重要的是，无法解释槽填充模型的决策。在本工作中，我们提出一种新方法：(i) 学习生成额外的槽类型特定特征以提高准确率；(ii) 在联合 NLU 模型中首次提供槽填充决策的解释。我们使用一组针对槽类型特定特征学习的二分类器进行额外的约束监督，从而确保在此过程中学习到适当的注意力权重，以解释话语的槽填充决策。我们的模型本质可解释，不需要任何事后处理。我们在两个广泛使用的数据集上评估了该方法并展示了准确率的提升。此外，还针对独有的槽可解释性提供了详细分析。
引用
@article{arxiv.2210.10227,
title = {Explainable Slot Type Attentions to Improve Joint Intent Detection and Slot Filling},
author = {Kalpa Gunaratna and Vijay Srinivasan and Akhila Yerukola and Hongxia Jin},
journal= {arXiv preprint arXiv:2210.10227},
year = {2022}
}
备注
EMNLP 2022