面向开放意图检测的判别性表示与决策边界学习
计算与语言
2023-05-08 v3
摘要
开放意图检测是自然语言理解中的一个重要问题，旨在识别未见过的开放意图的同时保证已知意图的识别性能。然而，当前方法面临两大挑战。首先，它们难以利用仅已知意图的先验知识学习友好的表示以检测开放意图。其次，缺乏一种有效方法来获取已知意图的特定且紧凑的决策边界。为解决这些问题，本文提出一种称为 DA-ADB 的原始框架，依次学习距离感知的意图表示和自适应决策边界用于开放意图检测。具体而言，我们首先利用距离信息增强意图表示的区分能力。然后，我们设计一种新颖的损失函数，通过平衡经验风险和开放空间风险来获得合适的决策边界。大量实验证明了所提出的距离感知和边界学习策略的有效性。与最先进的方法相比，我们的框架在三个基准数据集上取得了实质性改进。此外，它在不同比例的标注数据和已知类别下均表现出鲁棒性能。
引用
@article{arxiv.2203.05823,
title = {Learning Discriminative Representations and Decision Boundaries for Open Intent Detection},
author = {Hanlei Zhang and Hua Xu and Shaojie Zhao and Qianrui Zhou},
journal= {arXiv preprint arXiv:2203.05823},
year = {2023}
}
备注
Accepted by IEEE/ACM TASLP