摘要
多意图自然语言理解（Multi-intent Natural Language Understanding, NLU）近年来受到广泛关注。该技术旨在识别话语中的多个意图，更契合真实应用场景。然而，当前主流的联合多意图NLU模型主要依赖阈值策略来检测多个意图，由此带来一个显著问题：模型对阈值设定极为敏感。为此，本文提出一种基于Transformer的无阈值多意图NLU模型（Threshold-Free Multi-intent NLU, TFMN），并引入多任务学习（Multi-Task Learning, MTL）框架。具体而言，我们首先利用基于Transformer的编码器多层结构，生成多层次粒度的语义表示；随后，我们不依赖额外的人工标注，直接利用话语中意图数量的信息，提出一个辅助任务——意图数量检测（Intent Number Detection, IND）；进一步地，我们设计了一种无阈值的多意图分类器，该分类器基于IND任务的输出，实现多意图识别而无需依赖人工设定的阈值。大量实验结果表明，所提出的模型在两个公开的多意图数据集上均取得了优异性能，显著优于现有方法。