.png){kind=icon}
返回
Few-shot multi-label intent recognition augmented by label knowledge generalization method
.png){kind=icon}
PRE
AI
DOI：10.1016/j.inffus.2025.102933.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
识别用户意图是人机交互中最关键的部分之一。然而，大多数研究通常假设单一意图，而实际用户的话语往往涉及多个意图。少样本多标签意图识别是一项更具挑战性的任务，因为模型需要从极有限的数据中学习，且多个标签可能相互干扰。然而，现有方法受标签共现的影响，导致模型预测无关意图。标签知识可以增强模型对样本与标签之间相关性的理解，减少标签共现的影响。为解决这些问题，本文提出了一种新颖的标签知识泛化（LaKG）方法。LaKG通过获取可泛化的意图类别知识并传播至样本来增强表示，从而缓解标签共现造成的干扰。具体而言，LaKG传播意图类别的解释性短语，并利用线性变换获得可泛化的标签知识矩阵。该矩阵随后线性泛化至样本特征，以加强样本与其对应标签之间的相关性。此外，为确保每个意图的表示彼此区分，我们引入正则化至LaKG，以获得各意图解释性短语的可判别表示。另一方面，LaKG还引导模型学习样本标签序列的分布，以解决类别不平衡问题。具体而言，LaKG传播标签序列的分布信息，并通过编码-解码机制学习标签的潜在分布，这有助于模型更好地适应不平衡的标签分布。学习阶段后，模型对少量目标领域数据进行快速适应，然后执行多标签意图识别。我们在两个公开数据集上进行了实验，验证了该方法的有效性。在TourSG和StanfordLU数据集上，LaKG在1-shot和5-shot设置下，平均F1分数相较于最先进方法分别提升了约2.68%、3.58%、3.32%和3.31%。
Keyword:
Multi-label learning
Knowledge augmentation
Intent recognition
Few-shot learning
Label distribution learning
期刊
IF:
15.5
论文数:
4.2K
被引数:
2.7W
机构
暂无机构信息
引用论文
A Coarse-to-Fine Prototype Learning Approach for Multi-Label Few-Shot Intent Detection一种用于多标签少样本意图检测的粗到精原型学习方法
PREAI
分享收藏Few-shot intent detection with self-supervised pretraining and prototype-aware attention具有自我监督预训练和原型感知注意力的少镜头意图检测.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
分享收藏Robust online hashing with label semantic enhancement for cross-modal retrieval用于跨模态检索的具有标签语义增强的鲁棒在线哈希PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Relation fusion propagation network for transductive few-shot learning用于直推式少镜头学习的关系融合传播网络PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容