用于口语理解中槽填充的多领域对抗学习
计算与语言
2017-12-01 v1
摘要
本文的目标是学习口语理解（SLU）中槽填充任务的跨领域表示。最近发表的大多数 SLU 模型都是针对单个任务领域工作的领域特定模型。为每个单独任务领域标注数据既耗费资金又难以扩展。在这项工作中，我们提出一种对抗训练方法，以学习可在多个领域间共享的通用特征与表示。生成此类共享表示的模型可与在单个领域 SLU 数据上训练的模型相结合，从而减少开发新领域所需的训练样本数量。在使用多领域数据集的实验中，我们表明对抗训练有助于学习更好的领域通用 SLU 模型，从而提升槽填充的 F1 分数。我们进一步表明，在领域通用模型上应用对抗学习，当该模型与领域特定模型联合优化时，也有助于实现更高的槽填充性能。
引用
@article{arxiv.1711.11310,
title = {Multi-Domain Adversarial Learning for Slot Filling in Spoken Language Understanding},
author = {Bing Liu and Ian Lane},
journal= {arXiv preprint arXiv:1711.11310},
year = {2017}
}