基于示例值的鲁棒零样本跨领域槽填充
计算与语言
2019-06-18 v1
摘要
任务型对话系统日益依赖基于深度学习的槽填充模型，通常需为目标领域提供大量标注训练数据。然而，目标领域训练数据往往极少甚至缺失，或训练与目标任务模式不对齐，这在相似网站的网页表单中十分常见。现有零样本槽填充模型利用槽描述学习概念，但对不对齐的模式缺乏鲁棒性。我们提出同时利用槽描述与少量易获取的槽值示例，学习可在领域间迁移且对不对齐模式鲁棒的槽语义表示。我们的方法在两个多领域数据集上优于最先进（SOTA）模型，尤其在低数据场景下。
引用
@article{arxiv.1906.06870,
title = {Robust Zero-Shot Cross-Domain Slot Filling with Example Values},
author = {Darsh J Shah and Raghav Gupta and Amir A Fayazi and Dilek Hakkani-Tur},
journal= {arXiv preprint arXiv:1906.06870},
year = {2019}
}
备注
To appear in ACL 2019