FANS：融合ASR与NLU的端侧SLU

语音语言理解（Spoken Language Understanding, SLU）系统将语音输入指令转换为语义表示，其语义通常以意图（intent）以及槽位标签（slot tags）与对应值（slot values）的组合形式进行编码。当前大多数SLU系统采用两级神经网络级联架构：第一个模型将输入音频映射为文本转录（自动语音识别，ASR），第二个模型则基于转录结果预测意图和槽位信息（自然语言理解，NLU）。本文提出一种新型端到端SLU模型——FANS，该模型通过融合ASR音频编码器与多任务NLU解码器，能够直接从输入音频中推断出意图、槽位标签及槽位值，从而无需依赖中间文本转录过程。FANS模型由一个共享的音频编码器和三个解码器组成，其中两个解码器为序列到序列（seq-to-seq）结构，能够并行且自回归地预测非空槽位标签及其对应值。FANS的神经编码器与解码器架构具有高度灵活性，支持灵活组合使用LSTM、自注意力（self-attention）以及注意力机制（attenders）等组件。实验结果表明，在自建SLU数据集上测试时，相较于当前最先进的端到端SLU模型，FANS分别将意图识别错误率（ICER）和槽位识别错误率（IRER）相对降低了30%和7%；在公开SLU数据集上测试时，其绝对错误率分别降低了0.86%和2%。