半监督少样本意图分类与槽填充
计算与语言
2021-09-21 v1
摘要
意图分类（IC）和槽填充（SF）是现代自然语言理解（NLU）系统中的两个基本任务。收集并标注大量数据来训练此类系统的深度学习模型是不可扩展的。这个问题可以通过使用原型网络等快速监督元学习技术从少量示例中学习来解决。在这项工作中，我们系统地研究了对比学习和无监督数据增强方法如何有益于这些现有的用于联合建模IC/SF任务的监督元学习流程。通过在标准IC/SF基准（SNIPS和ATIS）上的大量实验，我们表明我们提出的半监督方法优于标准监督元学习方法：对比损失与原型网络结合在IC和SF任务上始终优于现有的state-of-the-art，而数据增强策略主要显著提升了少样本IC。
引用
@article{arxiv.2109.08754,
title = {Semi-Supervised Few-Shot Intent Classification and Slot Filling},
author = {Samyadeep Basu and Karine lp Kiun Chong and Amr Sharaf and Alex Fischer and Vishal Rohra and Michael Amoake and Hazem El-Hammamy and Ehi Nosakhare and Vijay Ramani and Benjamin Han},
journal= {arXiv preprint arXiv:2109.08754},
year = {2021}
}