摘要
截至目前，多意图语音语言理解（Multi-intent Spoken Language Understanding, SLU）因其能够识别并提取单个话语中表达的多个意图，并为相应序列中的槽位（slot）打上标签，已成为自然语言处理（Natural Language Processing, NLP）领域的研究热点。以往的研究主要聚焦于基于词元（token-level）的意图-槽位交互建模，以实现联合意图识别与槽位填充任务。然而，这种建模方式在联合训练过程中未能充分挖掘异质性（anisotropic）意图引导信息，导致性能受限。在本工作中，我们提出了一种新颖的架构，将多意图SLU建模为多视角意图-槽位交互问题。该架构通过在话语级、片段级（chunk-level）和词元级三个层次上有效建模意图与槽位之间的关系，突破了统一式多意图SLU中的核心瓶颈。我们进一步构建了一个神经网络框架——Uni-MIS（Unified Multi-intent SLU），将统一的多意图SLU建模为三视图意图-槽位交互融合机制，以在经过特殊编码后更充分地捕捉交互信息。具体而言，采用片段级意图检测解码器以充分捕获多意图特性，同时引入自适应意图-槽位图网络，以捕捉细粒度的意图信息，从而有效指导最终的槽位填充。我们在两个广泛使用的多意图SLU基准数据集上进行了大量实验，结果表明，所提出的模型在所有现有强基线方法上均取得超越表现，显著推动了统一式多意图SLU的最先进性能。此外，我们构建的ChatGPT基准测试进一步表明，多意图SLU领域仍蕴含着巨大的研究潜力与应用价值。