IDALC：一种基于半监督框架的意图检测与主动学习修正方法

《IEEE Transactions on Artificial Intelligence》：IDALC: A Semisupervised Framework for Intent Detection and Active Learning Based Correction

　　

影响声明：

对话式人工智能系统在各个行业中得到广泛应用，但由于意图识别的准确性较低，它们经常拒绝用户输入。这导致用户体验不佳...显示更多

摘要：

语音控制对话系统因其能够根据用户的不同查询执行多种操作而变得非常流行。这些代理具备一系列预定义的技能或意图来完成任务。然而，每个系统都有自己的局限性。即使在已知意图的情况下，如果某些模型的识别信心较低，也会导致输入被拒绝，从而需要手动注释。此外，随着时间的推移，可能需要使用系统拒绝的查询中的新意图重新训练这些代理以执行更多任务。随着时间的推移，对所有这些新出现的意图和被拒绝的输入进行标记是不切实际的，因此需要一种有效的机制来降低注释成本。在本文中，我们介绍了基于意图检测和主动学习的校正（IDALC）方法，这是一种半监督框架，旨在检测用户意图并纠正系统拒绝的输入，同时尽量减少对人工注释的依赖。在各种基准数据集上的实证研究表明，我们的系统超越了基线方法，实现了高达5%–10%的准确率提升，并且在宏F1分数上也有4%–8%的改善。值得注意的是，我们将总体注释成本保持在系统可用未标记数据的6%–10%以内。IDALC的总体框架如图1所示。

引言

在过去几年中，以任务为导向的对话系统变得无处不在。使用这些代理根据语音命令执行任务为自然语言理解（NLU）领域开辟了新的维度。这些代理具有执行各种任务的各种技能，这些预定义的技能被称为意图。例如，“将Michael Wittig的音乐添加到country icon播放列表”这一查询需要将“Michael Wittig的音乐”添加到“country icon播放列表”中，它将与“AddToPlaylist”意图类别相关联。以任务为导向的系统具有一些初始的已知意图，可以容易地识别并相应地做出响应，但当用户与语音控制系统或聊天机器人交互时，系统有时无法理解用户的查询或将其错误地分类为已知意图。由于各种原因，如模糊性、不常见的用户请求或未训练的意图，系统甚至难以将复杂的输入分类到已知意图中。这些难点查询最终会被因为信心较低而被拒绝。有效处理系统拒绝的搜索查询是一个关键挑战。为了改善用户体验并提高系统性能，通过理解新的意图和更准确地检测已知意图来解决这个问题至关重要。