GL-GIN：一种快速且准确的非自回归联合多意图检测与槽填充模型

多意图语音语言理解（Multi-intent SLU）能够处理话语中的多个意图，近年来受到越来越多关注。然而，当前最先进的联合模型严重依赖自回归（autoregressive）方法，导致两个主要问题：推理速度缓慢以及信息泄露。本文提出一种非自回归模型，用于联合完成多意图识别与槽位填充任务，实现了更快的推理速度与更高的准确性。具体而言，我们提出全局-局部图交互网络（Global-Locally Graph Interaction Network, GL-GIN），其中引入局部槽位感知图交互层，以建模槽位间的依赖关系，缓解槽位不协调问题；同时设计全局意图-槽位图交互层，用于建模话语中多个意图与所有槽位之间的交互关系。在两个公开数据集上的实验结果表明，所提出的框架在达到当前最优性能的同时，推理速度提升了11.5倍。