2 个月前

基于双模型的RNN语义框架解析模型用于意图检测和槽位填充

Yu Wang; Yilin Shen; Hongxia Jin
基于双模型的RNN语义框架解析模型用于意图检测和槽位填充
摘要

意图检测和槽位填充是构建语音语言理解(SLU)系统的主要任务。多种基于深度学习的模型在这些任务上已经展示了良好的效果。最有效的算法基于序列到序列模型(或“编码器-解码器”模型)的结构,通过单独的模型或联合模型生成意图和语义标签。然而,大多数先前的研究要么将意图检测和槽位填充视为两个独立并行的任务,要么使用一个序列到序列模型同时生成语义标签和意图。这些方法大多采用单一(联合)神经网络模型(包括编码器-解码器结构)来建模这两个任务,因此可能无法充分利用它们之间的相互影响。本文设计了新的双模型基RNN语义框架解析网络结构,通过使用两个相关联的双向长短期记忆网络(BLSTM),考虑它们之间的相互影响,共同执行意图检测和槽位填充任务。我们的双模型结构加上解码器在基准ATIS数据集上达到了最先进的结果,意图检测准确率提高了约0.5%,槽位填充准确率提高了约0.9%。

基于双模型的RNN语义框架解析模型用于意图检测和槽位填充 | 最新论文 | HyperAI超神经