基于标签知识传播的实例关系学习网络用于少样本多标签意图检测
计算与语言
2025-10-10 v1 机器学习
摘要
少样本多标签意图检测（MID）是对话系统中的关键任务，旨在低资源对话领域中检测句子的多个意图。以往研究侧重于两个阶段的管线。它们首先通过多标签学习句子表示，然后使用阈值策略来识别多标签结果。然而，这些方法依赖于表示分类，忽略了实例之间的关系，导致误差传播。为解决上述问题，我们提出了一种用于少样本MID的多标签联合学习方法，采用端到端方式，构建实例关系学习网络以消除误差传播。具体而言，我们学习带有类信息的实例之间的相互作用关系，以在少量标记（支持集）和未标记（查询集）实例之间传递标签知识。通过标签知识传播，实例之间关系强度直接指示两个句子是否属于同一意图，从而用于多标签预测。此外，我们开发了双关系增强损失函数，以优化支持集和查询集上的关系强度以提升性能。实验表明，在1-shot场景中，我们相比强大基线平均提升了9.54个AUC和11.19个Macro-F1。
引用
@article{arxiv.2510.07776,
title = {Instance Relation Learning Network with Label Knowledge Propagation for Few-shot Multi-label Intent Detection},
author = {Shiman Zhao and Shangyuan Li and Wei Chen and Tengjiao Wang and Jiahui Yao and Jiabin Zheng and Kam Fai Wong},
journal= {arXiv preprint arXiv:2510.07776},
year = {2025}
}