摘要

意图识别与槽位填充是自然语言理解中的两项基础性重要任务。实际上，一个语句中可能包含多个意图。如何将不同的意图映射到相应的槽位，已成为当前研究面临的新挑战。现有模型通常通过神经网络层自适应地捕捉每个槽位相关的意图信息来解决该问题，但其意图选择过程缺乏清晰性。观察发现，句子中的意图与主题之间具有较强的内在一致性，因此本文提出一种基于主题融合机制的联合意图识别与槽位填充方法，利用主题信息替代意图信息，在token级别指导槽位预测。同时，还引入句子级别的主题信息以增强意图识别效果。实验结果表明，在两个公开数据集上均取得了显著提升：在MixATIS数据集上，句子级准确率提升了4.8%；在MixSNIPS数据集上，意图识别准确率提升了0.7%。