基于软标注与流形混合的开放意图分类学习
计算与语言
2022-05-10 v2
摘要
开放意图分类是对话系统中一项实用却具挑战性的任务。其目标是准确分类已知意图的样本，同时检测开放（未知）意图的样本。现有方法通常使用离群点检测算法结合 K 类分类器来检测开放意图，其中 K 表示已知意图的类别数。与之不同，本文考虑一种不使用离群点检测算法的途径。具体而言，我们直接训练一个 (K+1) 类分类器用于开放意图分类，其中第 (K+1) 类代表开放意图。为解决仅用 K 类训练样本训练 (K+1) 类分类器的挑战，我们提出一种基于软标注与流形混合（SLMM）的深度模型。在我们的方法中，软标注用于重塑已知意图样本的标志分布，旨在降低模型对已知意图的过度自信。流形混合用于生成开放意图的伪样本，旨在良好优化开放意图的决策边界。在四个基准数据集上的实验表明，我们的方法优于先前方法并取得了最先进的性能。本工作的所有代码与数据可在 https://github.com/zifengcheng/SLMM 获取。
引用
@article{arxiv.2204.07804,
title = {Learning to Classify Open Intent via Soft Labeling and Manifold Mixup},
author = {Zifeng Cheng and Zhiwei Jiang and Yafeng Yin and Cong Wang and Qing Gu},
journal= {arXiv preprint arXiv:2204.07804},
year = {2022}
}
备注
Accepted by IEEE/ACM Transactions on Audio Speech and Language Processing