論文の概要: Multi-grained Label Refinement Network with Dependency Structures for
Joint Intent Detection and Slot Filling
- arxiv url: http://arxiv.org/abs/2209.04156v1
- Date: Fri, 9 Sep 2022 07:27:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-12 12:33:26.281422
- Title: Multi-grained Label Refinement Network with Dependency Structures for
Joint Intent Detection and Slot Filling
- Title(参考訳): 共用インテント検出とスロットフィリングのための依存構造を有する多粒ラベリングネットワーク
- Authors: Baohang Zhou, Ying Zhang, Xuhui Sui, Kehui Song, Xiaojie Yuan
- Abstract要約: 発話の意図と意味的構成要素は、文の構文的要素に依存する。
本稿では,依存性構造とラベルセマンティック埋め込みを利用した多層ラベル精細ネットワークについて検討する。
構文表現の強化を考慮し,グラフアテンション層による文の係り受け構造をモデルに導入する。
- 参考スコア(独自算出の注目度): 13.963083174197164
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Slot filling and intent detection are two fundamental tasks in the field of
natural language understanding. Due to the strong correlation between these two
tasks, previous studies make efforts on modeling them with multi-task learning
or designing feature interaction modules to improve the performance of each
task. However, none of the existing approaches consider the relevance between
the structural information of sentences and the label semantics of two tasks.
The intent and semantic components of a utterance are dependent on the
syntactic elements of a sentence. In this paper, we investigate a multi-grained
label refinement network, which utilizes dependency structures and label
semantic embeddings. Considering to enhance syntactic representations, we
introduce the dependency structures of sentences into our model by graph
attention layer. To capture the semantic dependency between the syntactic
information and task labels, we combine the task specific features with
corresponding label embeddings by attention mechanism. The experimental results
demonstrate that our model achieves the competitive performance on two public
datasets.
- Abstract(参考訳): スロット充填とインテント検出は、自然言語理解の分野における2つの基本的なタスクである。
これら2つのタスク間の強い相関関係から,従来の研究では,マルチタスク学習によるモデリングや,各タスクのパフォーマンス向上のための機能インタラクションモジュールの設計に尽力している。
しかし,既存の手法では,文の構造情報と2つのタスクのラベルセマンティクスとの関連性は考慮されていない。
発話の意図と意味的構成要素は文の構文的要素に依存する。
本稿では,依存性構造とラベルセマンティック埋め込みを利用した多層ラベル精細ネットワークについて検討する。
構文表現の強化を念頭において,文の依存構造をグラフアテンション層によってモデルに導入する。
構文情報とタスクラベル間の意味的依存関係を捉えるために,タスク固有の特徴と対応するラベル埋め込みをアテンション機構で結合する。
実験の結果,2つの公開データセット上での競合性能が得られた。
関連論文リスト
- Entity-Aware Self-Attention and Contextualized GCN for Enhanced Relation Extraction in Long Sentences [5.453850739960517]
本稿では,入力文の構文構造とシーケンスの意味的文脈を効率的に組み込んだ,エンティティを意識した自己意図型GCN(ESC-GCN)を提案する。
本モデルでは,既存の依存性ベースモデルやシーケンスベースモデルと比較して,パフォーマンスの向上を実現している。
論文 参考訳(メタデータ) (2024-09-15T10:50:51Z) - A Unified Framework for Multi-intent Spoken Language Understanding with
prompting [14.17726194025463]
Prompt-based Spoken Language Understanding (PromptSLU) フレームワークについて述べる。
詳細は、音声をタスク固有のプロンプトテンプレートに入力として簡潔に充填し、キー-値ペアシーケンスの出力形式を共有することにより、IDとSFが完成する。
実験の結果,我々のフレームワークは2つの公開データセット上で,最先端のベースラインよりも優れていた。
論文 参考訳(メタデータ) (2022-10-07T05:58:05Z) - Coarse-to-Fine: Hierarchical Multi-task Learning for Natural Language
Understanding [51.31622274823167]
本稿では,各タスクの下位レベルを全タスクに共有し,中間レベルを異なるグループに分割し,上位レベルを各タスクに割り当てる,粗大なパラダイムを持つ階層型フレームワークを提案する。
これにより、すべてのタスクから基本言語特性を学習し、関連するタスクのパフォーマンスを高め、無関係なタスクから負の影響を減らすことができる。
論文 参考訳(メタデータ) (2022-08-19T02:46:20Z) - Compositional Generalization in Grounded Language Learning via Induced
Model Sparsity [81.38804205212425]
グリッド環境における単純な言語条件のナビゲーション問題について考察する。
本研究では,オブジェクトの指示文と属性のスパース相関を助長するエージェントを設計し,それらを組み合わせて目的を導出する。
我々のエージェントは、少数のデモンストレーションから学習した場合でも、新しいプロパティの組み合わせを含む目標に対して高いレベルのパフォーマンスを維持している。
論文 参考訳(メタデータ) (2022-07-06T08:46:27Z) - Unified Semantic Typing with Meaningful Label Inference [19.308286513235934]
セマンティックタイピングのための統合フレームワークUniSTを提案する。
UniSTは、入力とラベルの両方を結合したセマンティック埋め込み空間に投影することで、ラベルセマンティクスをキャプチャする。
実験により、UniSTは3つのセマンティックタイピングタスクで高い性能を発揮することが示された。
論文 参考訳(メタデータ) (2022-05-04T00:28:17Z) - Transformer-based Dual Relation Graph for Multi-label Image Recognition [56.12543717723385]
本稿では,トランスフォーマーをベースとしたデュアルリレーショナル学習フレームワークを提案する。
相関の2つの側面、すなわち構造関係グラフと意味関係グラフについて検討する。
提案手法は,2つのポピュラーなマルチラベル認識ベンチマークにおいて,最先端性を実現する。
論文 参考訳(メタデータ) (2021-10-10T07:14:52Z) - Context-Aware Interaction Network for Question Matching [51.76812857301819]
本研究では,二つのシーケンスを整合させ,それらの意味関係を推定する文脈認識インタラクションネットワーク(coin)を提案する。
具体的には,(1)コンテキスト情報を効果的に統合するためのコンテキスト対応のクロスアテンション機構,(2)整列表現を柔軟に補間するゲート融合層を備える。
論文 参考訳(メタデータ) (2021-04-17T05:03:56Z) - Multilingual Irony Detection with Dependency Syntax and Neural Models [61.32653485523036]
これは構文知識からの貢献に焦点を当て、普遍依存スキームに従って構文が注釈付けされた言語資源を活用する。
その結果, 依存性をベースとした微粒な構文情報は, アイロンの検出に有用であることが示唆された。
論文 参考訳(メタデータ) (2020-11-11T11:22:05Z) - Joint Semantic Analysis with Document-Level Cross-Task Coherence Rewards [13.753240692520098]
本稿では,共用コア参照解決のためのニューラルネットワークアーキテクチャと,英語のセマンティックロールラベリングについて述べる。
我々は、文書と意味的アノテーション間のグローバルコヒーレンスを促進するために強化学習を使用します。
これにより、異なるドメインからの複数のデータセットにおける両方のタスクが改善される。
論文 参考訳(メタデータ) (2020-10-12T09:36:24Z) - Bidirectional Graph Reasoning Network for Panoptic Segmentation [126.06251745669107]
本稿では,BGRNet(Bidirectional Graph Reasoning Network)を導入し,前景物と背景物間のモジュラー内およびモジュラー間関係について検討する。
BGRNetはまず、インスタンスとセマンティックセグメンテーションの両方でイメージ固有のグラフを構築し、提案レベルとクラスレベルで柔軟な推論を可能にする。
論文 参考訳(メタデータ) (2020-04-14T02:32:10Z) - Edge-Enhanced Graph Convolution Networks for Event Detection with
Syntactic Relation [14.823029993354794]
イベント検出は情報抽出の重要なサブタスクである。
エッジ拡張グラフ畳み込みネットワーク(EE-GCN)という新しいアーキテクチャを提案する。
EE-GCNは構文構造と型付き依存ラベル情報を利用してEDを実行する。
論文 参考訳(メタデータ) (2020-02-25T09:18:26Z)
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。