面向多标签意图检测的少样本学习
计算与语言
2020-10-13 v1 人工智能
摘要
本文研究面向用户意图检测的少样本多标签分类问题。针对多标签意图检测，现有最优工作通过估计标签-实例相关性分数并使用阈值来选取多个相关意图标签。为仅借助少量样本确定合适阈值，我们首先在数据丰富领域学习通用的阈值设定经验，随后基于非参数学习进行校准，将阈值适配到特定少样本领域。为更好地计算标签-实例相关性分数，我们引入标签名嵌入作为表示空间中的锚点，使不同类别的表示相互精细区分。在两个数据集上的实验表明，所提模型在单样本和五样本设定下均显著优于强基线。
引用
@article{arxiv.2010.05256,
title = {Few-shot Learning for Multi-label Intent Detection},
author = {Yutai Hou and Yongkui Lai and Yushan Wu and Wanxiang Che and Ting Liu},
journal= {arXiv preprint arXiv:2010.05256},
year = {2020}
}