論文の概要: AGIF: An Adaptive Graph-Interactive Framework for Joint Multiple Intent Detection and Slot Filling

• arxiv url: http://arxiv.org/abs/2004.10087v4
• Date: Sat, 17 Oct 2020 04:28:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 07:34:49.773617
• Title: AGIF: An Adaptive Graph-Interactive Framework for Joint Multiple Intent Detection and Slot Filling
• Title（参考訳）: AGIF: 複数入射検出とスロットフィリングのための適応型グラフ対話型フレームワーク
• Authors: Libo Qin, Xiao Xu, Wanxiang Che, Ting Liu
• Abstract要約: 本稿では,多目的検出とスロットフィリングを併用する適応グラフ対話フレームワーク(AGIF)を提案する。 スロットとインテントの強い相関関係をモデル化するために,インテント-スロットグラフ相互作用層を導入する。 このような相互作用層が各トークンに適応的に適用され、関連する意図情報を自動抽出する利点がある。
• 参考スコア（独自算出の注目度）: 69.59096090788125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world scenarios, users usually have multiple intents in the same utterance. Unfortunately, most spoken language understanding (SLU) models either mainly focused on the single intent scenario, or simply incorporated an overall intent context vector for all tokens, ignoring the fine-grained multiple intents information integration for token-level slot prediction. In this paper, we propose an Adaptive Graph-Interactive Framework (AGIF) for joint multiple intent detection and slot filling, where we introduce an intent-slot graph interaction layer to model the strong correlation between the slot and intents. Such an interaction layer is applied to each token adaptively, which has the advantage to automatically extract the relevant intents information, making a fine-grained intent information integration for the token-level slot prediction. Experimental results on three multi-intent datasets show that our framework obtains substantial improvement and achieves the state-of-the-art performance. In addition, our framework achieves new state-of-the-art performance on two single-intent datasets.
• Abstract（参考訳）: 現実のシナリオでは、ユーザーは通常同じ発話で複数の意図を持つ。 残念なことに、ほとんどのtalkd language understanding (slu)モデルは、主に単一のインテントシナリオに焦点を当てたものか、トークンレベルのスロット予測のためのきめ細かい複数のインテント情報統合を無視して、すべてのトークンに全体的なインテントコンテキストベクターを組み込んだものである。 本稿では,複数意図検出とスロットフィリングを併用したアダプティブグラフ対話フレームワーク(AGIF)を提案し,スロットとインテントの強い相関関係をモデル化するインテントスロットグラフ相互作用層を提案する。 このような相互作用層を各トークンに適応的に適用し、関連するインテント情報を自動抽出する利点があり、トークンレベルのスロット予測にきめ細かいインテント情報を統合する。 3つのマルチインテリジェントデータセットの実験結果から,我々のフレームワークは大幅に改善され,最先端の性能が達成されることが示された。 さらに,本フレームワークは,2つの単一インテリジェントデータセットに対して,最先端の新たなパフォーマンスを実現する。

関連論文リスト

• MISCA: A Joint Model for Multiple Intent Detection and Slot Filling with Intent-Slot Co-Attention [9.414164374919029]
  グラフに基づくジョイントモデルである最近の高度なアプローチは、まだ2つの潜在的な問題に直面している。 我々はMISCAというジョイントモデルを提案する。 我々のMISCAは、意図-スロットのコアテンション機構とラベルアテンション機構の基盤層を導入している。
  論文  参考訳（メタデータ） (2023-12-10T03:38:41Z)
• Co-guiding for Multi-intent Spoken Language Understanding [53.30511968323911]
  本稿では,2つのタスク間の相互指導を実現するための2段階のフレームワークを実装した,コガイドネットと呼ばれる新しいモデルを提案する。 第1段階では,単一タスクによる教師付きコントラスト学習を提案し,第2段階ではコガイドによる教師付きコントラスト学習を提案する。 マルチインテリジェントSLU実験の結果,我々のモデルは既存のモデルよりも大きなマージンで優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-22T08:06:22Z)
• Tri-level Joint Natural Language Understanding for Multi-turn Conversational Datasets [5.3361357265365035]
  本稿では,新しい三段階共同自然言語理解手法,ドメインの追加,意味情報をすべてのレベル間で明示的に交換する手法を提案する。 我々は,2つのマルチターンデータセットを用いて,共同スロット充填とインテント検出を行った最初のモデルとして評価を行った。
  論文  参考訳（メタデータ） (2023-05-28T13:59:58Z)
• A Dynamic Graph Interactive Framework with Label-Semantic Injection for Spoken Language Understanding [43.48113981442722]
  本稿では,まずラベルのセマンティック情報を利用して,モデルに付加的な信号を与え,よりリッチな事前情報を与える,DGIFというフレームワークを提案する。 本稿では,ラベルセマンティクスの注入に基づく対話型グラフ構築手法を提案する。
  論文  参考訳（メタデータ） (2022-11-08T05:57:46Z)
• SLIM: Explicit Slot-Intent Mapping with BERT for Joint Multi-Intent Detection and Slot Filling [26.037061005620263]
  タスク指向システムにおいて、発話レベルのインテント検出とトークンレベルのスロットフィリングは自然言語理解(NLU)のための2つの重要なタスクである。 本稿では,BERTに基づくマルチインテント検出とスロットフィリングを共同で学習する,SLIMと呼ばれるマルチインテントNLUフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-26T11:33:39Z)
• GL-GIN: Fast and Accurate Non-Autoregressive Model for Joint Multiple Intent Detection and Slot Filling [31.833158491112005]
  マルチインテントSLUは、発話中に複数のインテントを処理できるため、注目を集めている。 本稿では,複数方向検出とスロット充填のための非自己回帰モデルについて検討する。 我々のフレームワークは11.5倍高速で最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2021-06-03T15:22:38Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)
• Efficient Intent Detection with Dual Sentence Encoders [53.16532285820849]
  本稿では,USE や ConveRT などの事前訓練された二重文エンコーダによるインテント検出手法を提案する。 提案するインテント検出器の有用性と適用性を示し,完全なBERT-Largeモデルに基づくインテント検出器よりも優れた性能を示す。 コードだけでなく、新しい挑戦的な単一ドメイン意図検出データセットもリリースしています。
  論文  参考訳（メタデータ） (2020-03-10T15:33:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。