计算机工程

作者：毕然, 杨奉毅, 周喜, 杨雅婷, 艾比布拉·阿塔伍拉

单位：1. 中国科学院新疆理化技术研究所, 新疆 乌鲁木齐 8300112. 中国科学院大学, 北京 1000493. 新疆民族语音语言信息处理实验室, 新疆 乌鲁木齐 830011

关键词：任务型对话系统,意图识别,槽位填充,小样本学习,注意力机制

基金：新疆维吾尔自治区杰出青年科学基金(2022D01E04); 新疆维吾尔自治区"天池英才"引进计划; 新疆维吾尔自治区"天山英才"科技创新领军人才项目(2022TSYCLJ0035); 新疆维吾尔自治区重大科技专项(2020A02001-1)

作为任务型对话系统的核心模块, 自然语言理解(NLU)旨在将用户输入的自然语言进行结构化表示, 通常分为意图识别和槽位填充两个子任务。由于两者联系密切, 对意图和槽位进行显式联合建模成为通用的解决方案。然而, 在资源稀缺的小样本场景下较难通过少量支持集样本提取意图和槽位的关联关系, 且从资源丰富的源领域学习到的通用知识无法直接应用于目标领域。受英语完形填空任务启发, 将语句中非槽位(标签为"O")单词的平均向量视为句型表示, 提出一种句型自适应原型网络(SPAPN)方法。在资源丰富的源领域, 充分学习跨越领域的句型语义知识, 以句型信息为枢纽, 间接完成意图和槽位的关系建模。在低资源目标领域, 采用元学习的训练模式, 通过注意力机制学习意图、槽位、句型原型的关联关系, 获取意图和槽位的增强原型语义表示, 结合对比对齐学习(CAL)方法, 根据查询样本与原型之间的向量相似度判断其标签类别。在中英文基准数据集上的实验结果表明, 无论是否经过微调, 该方法较现有最优基线方法在意图识别准确率、槽位填充F1值以及联合准确率方面均能够取得更加优秀的表现。

来源：2025年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第10期