使用记忆网络的用户意图分类：有限数据场景下的比较分析
人工智能
2017-06-21 v1
摘要
在本报告中，我们针对面向应用推荐任务的用户意图分类，对不同技术进行了比较分析。我们在一个包含相对大量类别且每个类别仅有少量样本的数据集上，分析了不同模型和架构在多标签分类中的性能。我们特别关注记忆网络架构，并比较了不同版本在任务约束下的表现。由于该分类器旨在作为实际对话系统中的一个模块，它需要能够在有限训练数据下工作，并能即时纳入新数据。我们设计了一个 1-shot 学习任务来在上述约束下测试模型。我们得出结论，相对简单版本的记忆网络表现优于其他方法。尽管如此，对于数据极其有限的任务，简单的非参数方法表现相当，且不需要额外的训练数据。
引用
@article{arxiv.1706.06160,
title = {User Intent Classification using Memory Networks: A Comparative Analysis for a Limited Data Scenario},
author = {Arjun Bhardwaj and Alexander Rudnicky},
journal= {arXiv preprint arXiv:1706.06160},
year = {2017}
}