基于知识记忆原型的提示学习用于广义少样本意图检测
计算与语言
2023-09-12 v1
摘要
广义少样本意图检测（GFSID）具有挑战性且贴近现实，因为它需要同时分类已见与新颖意图。以往的 GFSID 方法依赖情景学习范式，难以扩展到广义设定，因为它们未显式学习已见类别的分类及已见意图的知识。为应对该困境，我们提出将 GFSID 任务转化为类增量学习范式。具体而言，我们提出一种两阶段学习框架，通过提示学习在不同阶段依次学习不同意图的知识。随后我们利用原型对己见与新颖意图进行分类。此外，为实现不同阶段意图的知识迁移，针对不同的场景我们设计了两种贴近实际应用的知识保持方法。在两个广泛使用的数据集上的大量实验与详细分析表明，我们基于类增量学习范式的框架取得了有前景的性能。
引用
@article{arxiv.2309.04971,
title = {Prompt Learning With Knowledge Memorizing Prototypes For Generalized Few-Shot Intent Detection},
author = {Chaiyut Luoyiching and Yangning Li and Yinghui Li and Rongsheng Li and Hai-Tao Zheng and Nannan Zhou and Hanjing Su},
journal= {arXiv preprint arXiv:2309.04971},
year = {2023}
}
备注
Under Review