Tiefes Unbekannte Absichtserkennung mit Marginalverlust

Die Identifizierung unbekannter (neuer) Benutzerabsichten, die nie im Trainingsdatensatz aufgetreten sind, stellt eine herausfordernde Aufgabe für Dialogsysteme dar. In dieser Arbeit stellen wir eine zweistufige Methode zur Erkennung unbekannter Absichten vor. Als Merkmalsextraktor verwenden wir ein bidirektionales Long Short-Term Memory-Netzwerk (BiLSTM) mit Margin Loss. Durch den Margin Loss können wir diskriminierende tiefere Merkmale lernen, indem wir das Netzwerk dazu zwingen, die Varianz zwischen Klassen zu maximieren und die Varianz innerhalb der Klassen zu minimieren. Anschließend geben wir die Merkmalsvektoren an einen dichte-basierten Neuheitserkennungsalgorithmus, den Local Outlier Factor (LOF), weiter, um unbekannte Absichten zu erkennen. Experimente mit zwei Benchmark-Datensätzen zeigen, dass unsere Methode im Vergleich zu den Baseline-Methoden konsistente Verbesserungen erzielen kann.