利用信息检索增强少样本学习中口语理解提示
计算与语言
2025-06-04 v1 人工智能
信息检索
摘要
理解用户查询是许多应用（如家庭助手、预订系统或推荐系统）的基础。因此，开发准确的口语理解（SLU）方法以确保所考虑系统的可靠性至关重要。当前 SOTA 的 SLU 技术依赖大量训练数据；然而，针对特定任务或语言仅有有限的标注样本可用。与此同时，指令微调的大语言模型（LLMs）在提供适当提示的情况下，于少样本设置中的未见任务上展现出了卓越性能。在本工作中，我们提出通过利用信息检索（IR）方法进行样本选择，以构建应用于 SLU 任务的增强提示。我们在多个 SLU 基准上评估了所提方法的有效性。实验结果表明，词法 IR 方法在不增加提示长度的情况下显著提升了性能。
引用
@article{arxiv.2506.03035,
title = {Leveraging Information Retrieval to Enhance Spoken Language Understanding Prompts in Few-Shot Learning},
author = {Pierre Lepagnol and Sahar Ghannay and Thomas Gerald and Christophe Servan and Sophie Rosset},
journal= {arXiv preprint arXiv:2506.03035},
year = {2025}
}
备注
Conference paper accepted to INTERSPEECH 2025