論文の概要: Joint Intent Detection and Slot Filling with Wheel-Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2102.04610v1
• Date: Tue, 9 Feb 2021 02:37:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 15:19:04.547585
• Title: Joint Intent Detection and Slot Filling with Wheel-Graph Attention Networks
• Title（参考訳）: ホイールグラフアテンションネットワークを用いた関節インテント検出とスロット充填
• Authors: Pengfei Wei, Bi Zeng and Wenxiong Liao
• Abstract要約: 本稿では,車輪グラフ注意ネットワーク(Wheel-GAT)を用いた新しいジョイントモデルを提案する。 発話のためのグラフ構造を構築するために、意図ノード、スロットノード、有向エッジを作成する。
• 参考スコア（独自算出の注目度）: 6.939768185086755
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intent detection and slot filling are two fundamental tasks for building a spoken language understanding (SLU) system. Multiple deep learning-based joint models have demonstrated excellent results on the two tasks. In this paper, we propose a new joint model with a wheel-graph attention network (Wheel-GAT) which is able to model interrelated connections directly for intent detection and slot filling. To construct a graph structure for utterances, we create intent nodes, slot nodes, and directed edges. Intent nodes can provide utterance-level semantic information for slot filling, while slot nodes can also provide local keyword information for intent. Experiments show that our model outperforms multiple baselines on two public datasets. Besides, we also demonstrate that using Bidirectional Encoder Representation from Transformer (BERT) model further boosts the performance in the SLU task.
• Abstract（参考訳）: インテント検出とスロット充填は、話し言葉理解(SLU)システムを構築するための2つの基本的なタスクです。 複数のディープラーニングベースジョイントモデルでは,2つのタスクに優れた結果が得られた。 本論文では,意図検出とスロット充填のために相互接続を直接モデル化できるホイールグラフアテンションネットワーク(Wheel-GAT)を備えた新しいジョイントモデルを提案する。 発話のためのグラフ構造を構築するために、意図ノード、スロットノード、有向エッジを作成する。 インテントノードはスロットフィリングのための発話レベルセマンティック情報を提供するが、スロットノードはインテントのためのローカルキーワード情報を提供することもできる。 実験により、我々のモデルは2つの公開データセット上で複数のベースラインを上回ります。 また,変換器(BERT)モデルを用いた双方向エンコーダ表現により,SLUタスクの性能がさらに向上することを示す。

関連論文リスト

• 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)
• Joint Multiple Intent Detection and Slot Filling with Supervised Contrastive Learning and Self-Distillation [4.123763595394021]
  複数の意図の検出とスロットフィリングは、音声言語理解における基本的かつ重要なタスクである。 インテントを同時に検出し、スロットを抽出できるジョイントモデルが好ましい。 本稿では,これらの課題に対処して複数の意図の検出とスロットフィリングを行う手法を提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:36:33Z)
• Slot Induction via Pre-trained Language Model Probing and Multi-level Contrastive Learning [62.839109775887025]
  トークンレベルのスロットアノテーションの明示的な知識なしでスロット境界を誘導することを目的としたスロットインジェクション(SI)タスク。 PLMから抽出した教師なし意味知識を活用するために、教師なし事前学習言語モデル(PLM)探索とコントラスト学習機構を活用することを提案する。 提案手法は,2つのNLUベンチマークデータセット上でトークンレベルの教師付きモデルとのギャップを埋めることができ,SIタスクに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-08-09T05:08:57Z)
• Co-guiding Net: Achieving Mutual Guidances between Multiple Intent Detection and Slot Filling via Heterogeneous Semantics-Label Graphs [39.76268402567324]
  本稿では,2つのタスク間のテキスト間ガイダンスを実現するための2段階フレームワークを実装したCo- Guideiding Netという新しいモデルを提案する。 具体的には、提案した2つのテクスチャセマンティクス-ラベルグラフに作用する2つのテクスチャセマンティクスグラフアテンションネットワークを提案する。 実験結果から,MixATISデータセットの先行モデルよりも19.3%の相対的な改善が得られた。
  論文  参考訳（メタデータ） (2022-10-19T08:34:51Z)
• Graph Spring Network and Informative Anchor Selection for Session-based Recommendation [2.6524289609910654]
  セッションベースのレコメンデーション(SBR)は、進行中の匿名セッションの次の項目を予測することを目的としている。 SBRの最大の課題は、アイテム間のリッチな関係をキャプチャし、IDベースのアイテム埋め込みを学習してそのような関係をキャプチャする方法である。 我々は、アイテムグラフに埋め込まれたIDベースのアイテムを学習するために、グラフスプリングネットワーク(GSN)と呼ばれる新しいグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-19T02:47:44Z)
• 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)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• AGIF: An Adaptive Graph-Interactive Framework for Joint Multiple Intent Detection and Slot Filling [69.59096090788125]
  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。
  論文  参考訳（メタデータ） (2020-04-21T15:07:34Z)
• Parallel Intent and Slot Prediction using MLB Fusion [0.0]
  本稿では,各タスクに2方向ゲーテッド・リカレント・ユニット(GRU)を別々に使用する並列入出力・スロット予測手法を提案する。 本稿では,MLB(Multimodal Low-rank Bilinear Attention Network)融合を用いた意図学習とスロット学習の性能向上を提案する。 提案手法は,2つのベンチマークデータセット上での意図とスロット予測において,既存の最先端結果よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-20T11:48:16Z)
• Zero-Shot Video Object Segmentation via Attentive Graph Neural Networks [150.5425122989146]
  本研究は、ゼロショットビデオオブジェクトセグメンテーション(ZVOS)のための新しい注意グラフニューラルネットワーク(AGNN)を提案する。 AGNNは、フレームをノードとして効率的に表現し、任意のフレームペア間の関係をエッジとして表現するために、完全に連結されたグラフを構築している。 3つのビデオセグメンテーションデータセットの実験結果は、AGNNがそれぞれのケースに新しい最先端を設定していることを示している。
  論文  参考訳（メタデータ） (2020-01-19T10:45:27Z)

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。