群体优于个体：利用标签拓扑与标签关系进行联合多意图检测与槽填充
计算与语言
2022-11-08 v2 人工智能
摘要
近期联合多意图检测与槽填充模型采用标签嵌入来实现语义-标签交互。然而，它们将所有标签和标签嵌入视为不相关的个体，忽略了它们之间的依赖关系。此外，它们独立地对两个任务进行解码，未利用它们之间的相关性。因此，在本文中，我们首先构建了一个异质标签图（HLG），包含两类拓扑：(1) 基于标签共现模式和槽标签层级的统计依赖；(2) 标签节点间的丰富关系。然后我们提出了一种称为ReLa-Net的新模型。它可从HLG中捕获标签间有益的相关性。标签相关性被用于增强语义-标签交互。此外，我们还提出了标签感知的相互依赖解码机制，以进一步利用标签相关性进行解码。实验结果表明，我们的ReLa-Net显著优于先前的模型。值得注意的是，在MixATIS数据集上，ReLa-Net在总体准确率方面比先前最佳模型高出超过20%。
引用
@article{arxiv.2210.10369,
title = {Group is better than individual: Exploiting Label Topologies and Label Relations for Joint Multiple Intent Detection and Slot Filling},
author = {Bowen Xing and Ivor W. Tsang},
journal= {arXiv preprint arXiv:2210.10369},
year = {2022}
}
备注
Accepted to EMNLP 2022 Main Conference