意图识别与语义槽填充的双向关联模型

doi:10.3778/j.issn.1002-8331.1911-0208

计算机工程与应用 ›› 2021, Vol. 57 ›› Issue (3): 196-202.DOI: 10.3778/j.issn.1002-8331.1911-0208

意图识别与语义槽填充的双向关联模型

王丽花，杨文忠，姚苗，王婷，理姗姗

1.新疆大学软件学院，乌鲁木齐 830046
2.新疆大学信息科学与工程学院，乌鲁木齐 830046

出版日期:2021-02-01 发布日期:2021-01-29

Bidirectional Association Model for Intent Detection and Slot Filling

WANG Lihua, YANG Wenzhong, YAO Miao, WANG Ting, LI Shanshan

1.College of Software, Xinjiang University, Urumqi 830046, China
2.College of Information Science and Engineering, Xinjiang University, Urumqi 830046, China

Online:2021-02-01 Published:2021-01-29

摘要/Abstract

摘要：

意图识别与语义槽填充联合建模正成为口语理解（Spoken Language Understanding，SLU）的新趋势。但是，现有的联合模型只是简单地将两个任务进行关联，建立了两任务间的单向联系，未充分利用两任务之间的关联关系。考虑到意图识别与语义槽填充的双向关联关系可以使两任务相互促进，提出了一种基于门控机制的双向关联模型（BiAss-Gate），将两个任务的上下文信息进行融合，深度挖掘意图识别与语义槽填充之间的联系，从而优化口语理解的整体性能。实验表明，所提模型BiAss-Gate在ATIS和Snips数据集上，语义槽填充F1值最高达95.8%，意图识别准确率最高达98.29%，对比其他模型性能得到了显著提升。

关键词: 口语理解, 意图识别, 语义槽填充, 上下文信息, 联合模型

Abstract:

The joint model of intent detection and slot filling is becoming a new trend in spoken language understanding.The existing joint model simply associates two tasks, a unidirectional relationship between the two tasks is established. However, the relationship between the two tasks is not fully utilized. Considering that the bidirectional association relation between intention detection and slot filling can promote each other,a bidirectional association model based on gate mechanism（BiAss-Gate） is proposed. BiAss-Gate model explores deeply the association between intent detection and slot filling by combining the context information of two task,it optimizes the global performance of spoken language understanding.Experimental results show that the BiAss-Gate model has the highest F1 value of 95.8% in the ATIS datasets and the highest intent recognition detection of 98.29% in Snips datasets.The performance is significantly improved compared with other models.

Key words: spoken language understanding, intent detection, slot filling, context information, joint mode

王丽花，杨文忠，姚苗，王婷，理姗姗. 意图识别与语义槽填充的双向关联模型[J]. 计算机工程与应用, 2021, 57(3): 196-202.

WANG Lihua, YANG Wenzhong, YAO Miao, WANG Ting, LI Shanshan. Bidirectional Association Model for Intent Detection and Slot Filling[J]. Computer Engineering and Applications, 2021, 57(3): 196-202.

[1]	赵鹏飞，李艳玲，林民. 结合胶囊网络的领域适应意图识别[J]. 计算机工程与应用, 2021, 57(21): 188-194.
[2]	王堃，林民，李艳玲. 端到端对话系统意图语义槽联合识别研究综述[J]. 计算机工程与应用, 2020, 56(14): 14-25.
[3]	刘心惠，陈文实，周爱，陈飞，屈雯，鲁明羽. 基于联合模型的多标签文本分类研究[J]. 计算机工程与应用, 2020, 56(14): 111-117.
[4]	华冰涛，袁志祥，肖维民，郑啸. 基于BLSTM-CNN-CRF模型的槽填充与意图识别[J]. 计算机工程与应用, 2019, 55(9): 139-143.
[5]	王洋，吴建英，黄金垒，胡浩，刘玉岭. 基于贝叶斯攻击图的网络入侵意图识别方法[J]. 计算机工程与应用, 2019, 55(22): 73-79.
[6]	张晶晶，黄浩，胡英，吾守尔·斯拉木. 口语理解中改进循环神经网络的应用[J]. 计算机工程与应用, 2019, 55(18): 155-160.
[7]	许莹莹，黄浩. 引入外部记忆的循环神经网络的口语理解[J]. 计算机工程与应用, 2019, 55(12): 145-148.
[8]	刘娇，李艳玲，林民. 人机对话系统中意图识别方法综述[J]. 计算机工程与应用, 2019, 55(12): 1-7.
[9]	侯丽仙，李艳玲，李成城. 面向任务口语理解研究现状综述[J]. 计算机工程与应用, 2019, 55(11): 7-15.
[10]	杨志明1，2，3，王来奇3，王泳2. 深度学习算法在问句意图分类中的应用研究[J]. 计算机工程与应用, 2019, 55(10): 154-160.
[11]	刘贺飞1，陈小红2，阮彤1. 基于纵向-生存联合模型的游戏行会生存预测[J]. 计算机工程与应用, 2018, 54(14): 264-270.
[12]	缪雪峰1，陈群辉1，胡罗凯2，刘进1. Spark平台下基于上下文信息的影片混合推荐[J]. 计算机工程与应用, 2017, 53(10): 79-84.
[13]	周建政1，谌志群2，李治1，王荣波2，冯凯2. 问答系统中问题模式分类与相似度计算方法[J]. 计算机工程与应用, 2014, 50(1): 116-120.
[14]	尤慧丽，晏立，杨晓东. 中文分词中组合型切分歧义的消解研究[J]. 计算机工程与应用, 2011, 47(31): 125-127.

意图识别与语义槽填充的双向关联模型

Bidirectional Association Model for Intent Detection and Slot Filling

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 14

编辑推荐

Metrics