摘要

检测多重意图并填充槽位的研究正日益受到关注，这主要源于其在复杂现实场景中的高度相关性。近年来，基于图结构的联合模型虽取得了显著进展，但仍面临两个潜在问题：（i）基于初步意图和槽位信息构建图结构时引入的不确定性，可能导致意图-槽位关联信息被错误地传递至不正确的标签节点，从而影响模型性能；（ii）在每个词元（token）层面直接引入多个意图标签进行意图投票，可能引发槽位预测错误，进而损害整体性能。为解决上述问题，我们提出一种名为MISCA的联合模型。MISCA引入了意图-槽位协同注意力机制以及底层的标签注意力机制。这些机制使模型能够有效捕捉意图与槽位标签之间的关联关系，无需依赖图结构的构建。同时，通过多层次的标签特异性表示，实现了意图与槽位之间双向的信息传递：既可从意图到槽位，也可从槽位到意图，且不依赖于词元级别的意图信息。实验结果表明，MISCA在两个基准数据集MixATIS和MixSNIPS上均取得了新的最先进（SOTA）整体准确率表现，显著优于现有模型。这一结果充分验证了所提出注意力机制的有效性。