探索基于自然语言推理设定在少样本意图检测中的极限
计算与语言
2023-12-27 v2 机器学习
摘要
意图检测是对话系统的核心任务之一。少样本意图检测因新类别标注语句数量有限而具挑战性。广义少样本意图检测是一种更现实但更具挑战性的设定，旨在判别兼具每类仅有少量样本的新意图与拥有足够标注数据的已有意图的联合标签空间。大标签空间与更少样本数增加了任务复杂度。本工作中，我们采用一种基于自然语言推理的简单有效方法，利用类标签名称中的语义来学习与预测新类别。我们的方法在 1-shot 与 5-shot 意图检测任务上取得 SOTA 结果，在四个基准数据集上 F1 分数提升达 2–8 个百分点。我们的方法在更实用的广义少样本意图检测设定下也优于现有方法，F1 分数提升高达 20%。我们表明所提方法在类标签数从少至 7 到多达 150 的单域与多域数据集上均表现良好。
引用
@article{arxiv.2112.07434,
title = {Exploring the Limits of Natural Language Inference Based Setup for Few-Shot Intent Detection},
author = {Ayush Kumar and Vijit Malik and Jithendra Vepa},
journal= {arXiv preprint arXiv:2112.07434},
year = {2023}
}
备注
At Interspeech 2022