利用从标识符中挖掘的元知识改进神经符号算法中的意图识别
计算与语言
2020-12-17 v1 机器学习
摘要
在本文中，我们探索利用嵌入在意图标识符中的元知识来改进对话系统中的意图识别。正如对数千个真实世界聊天机器人的分析以及在与专业聊天机器人策划者的访谈中所证明的，开发者与领域专家倾向于通过使用原型分类法来组织聊天机器人意图集合，即连接不同意图间共享的高层符号概念的元知识。通过使用能够融入此类原型分类法以扩展意图表示的神经符号算法，我们表明这种挖掘出的元知识可以提高意图识别的准确率。在一个包含来自数百个专业聊天机器人的意图与示例话语的数据集中，与不含元知识的相同算法基线相比，我们在应用这些算法时看到近三分之一的聊天机器人等错误率（EER）提升了超过 10%。该元知识在检测超出范围的话语时证明更为相关，在约一半的聊天机器人中将错误接受率（FAR）降低了超过 20%。实验表明，此类符号元知识结构可以被神经符号算法有效挖掘和使用，显然是通过将所解决问题的高层结构整合进学习过程而实现的。基于这些结果，我们还讨论了挖掘元知识的使用如何能够作为神经符号算法中知识获取挑战的一种解答。
引用
@article{arxiv.2012.09005,
title = {Using Meta-Knowledge Mined from Identifiers to Improve Intent Recognition in Neuro-Symbolic Algorithms},
author = {Claudio Pinhanez and Paulo Cavalin and Victor Ribeiro and Heloisa Candello and Julio Nogima and Ana Appel and Mauro Pichiliani and Maira Gatti de Bayser and Melina Guerra and Henrique Ferreira and Gabriel Malfatti},
journal= {arXiv preprint arXiv:2012.09005},
year = {2020}
}