摘要

近年来，基于图结构的联合多意图识别与槽位填充模型通过建模意图预测对槽位填充解码的指导作用，取得了令人瞩目的成果。然而，现有方法存在两个主要局限：（1）仅建模了从意图到槽位的单向指导关系；（2）采用同质图（homogeneous graphs）来建模槽位语义节点与意图标签节点之间的交互，限制了模型性能的进一步提升。针对上述问题，本文提出一种新型模型——Co-guiding Net，该模型采用两阶段框架，实现了两个任务之间的双向相互指导（mutual guidances）。在第一阶段，模型生成两个任务的初始预测标签；在第二阶段，利用第一阶段的预测结果，进一步建模任务间的相互指导关系。具体而言，我们设计了两个异质图注意力网络（heterogeneous graph attention networks），分别作用于两个所提出的异质语义-标签图（heterogeneous semantics-label graphs），以有效捕捉语义节点与标签节点之间的复杂关联。实验结果表明，所提模型显著优于现有方法，在MixATIS数据集上的整体准确率相较之前最优模型实现了19.3%的相对提升。