用于零样本意图检测的类转导意图表示学习
计算与语言
2021-06-10 v2 机器学习
摘要
零样本意图检测 (ZSID) 旨在处理无标注训练数据的持续涌现的意图。然而，现有 ZSID 系统存在两个局限：1) 不擅长建模已见意图与未见意图之间的关系。2) 在广义意图检测 (GZSID) 设定下无法有效识别未见意图。这些局限背后的一个关键问题是未见意图的表示无法在训练阶段学习。为解决该问题，我们提出一种新颖框架，利用未见类标签学习类转导意图表示 (CTIR)。具体而言，我们允许模型在训练时预测未见意图，相应标签名作为输入的话语。在此基础上，我们引入多任务学习目标，鼓励模型学习意图间的区别，以及相似度打分器，更准确地估计意图间的联系。CTIR 易于实现且可与现有方法集成。在两个真实数据集上的实验表明，CTIR 为基线系统带来了显著改进。
引用
@article{arxiv.2012.01721,
title = {Learning Class-Transductive Intent Representations for Zero-shot Intent Detection},
author = {Qingyi Si and Yuanxin Liu and Peng Fu and Zheng Lin and Jiangnan Li and Weiping Wang},
journal= {arXiv preprint arXiv:2012.01721},
year = {2021}
}
备注
IJCAI-2021