摘要

语音语言理解（Spoken Language Understanding, SLU）主要包含意图识别与槽位填充两项任务，现有研究通常将二者联合建模。然而，大多数现有模型未能充分挖掘槽位与意图之间的共现关系，从而限制了其性能潜力。为解决这一问题，本文提出一种基于新型模块——CM-block的协同记忆网络（Collaborative Memory Network, CM-Net）。CM-block首先以协作方式从记忆中提取与槽位相关及与意图相关的特征，随后利用这些增强后的特征来提升局部上下文表示，进而通过序列信息流生成更具针对性的全局话语表示（涵盖槽位与意图）。通过堆叠多个CM-block，CM-Net能够实现特定记忆、局部上下文与全局话语之间的交替信息交互，从而实现逐步增强与互补。我们在两个标准基准数据集（ATIS与SNIPS）以及自收集的语料库（CAIS）上对CM-Net进行了评估。实验结果表明，CM-Net在ATIS与SNIPS数据集上多数指标均达到当前最优水平，且在CAIS数据集上显著优于基线模型。此外，本文已将CAIS数据集公开，以供学术界研究使用。