基于轮图注意力网络的意图检测与槽填充联合模型
计算与语言
2021-02-10 v1 人工智能
摘要
意图检测与槽填充是构建口语理解（SLU）系统的两个基本任务。多种基于深度学习的联合模型已在这两个任务上展现出优异结果。本文提出一种带有轮图注意力网络（Wheel-GAT）的新联合模型，能够直接建模意图检测与槽填充的相互关联。为话语构建图结构，我们创建意图节点、槽节点与有向边。意图节点可为槽填充提供话语级语义信息，而槽节点也可为意图提供局部关键词信息。实验表明，我们的模型在两个公开数据集上优于多个基线。此外，我们还证明使用来自 Transformer 的双向编码器表示（BERT）模型可进一步提升 SLU 任务中的性能。
引用
@article{arxiv.2102.04610,
title = {Joint Intent Detection and Slot Filling with Wheel-Graph Attention Networks},
author = {Pengfei Wei and Bi Zeng and Wenxiong Liao},
journal= {arXiv preprint arXiv:2102.04610},
year = {2021}
}