摘要

联合多意图识别（Intent Detection, ID）与槽位填充（Slot Filling, SF）是语音语言理解领域的一项重要挑战。由于一句话中的槽位可能与多个意图相关，现有大多数方法倾向于采用任务特定的组件来捕捉意图与槽位之间的关联关系。然而，这种定制化网络结构限制了模型对任务间共性特征的建模能力，制约了其在更广泛场景下的泛化性能。为解决上述问题，本文提出一种基于提示学习范式的统一生成框架（Unified Generative framework, UGEN），并将该任务重新建模为问答形式。具体而言，我们设计了五类模板作为指导性提示（instructional prompts），每类模板包含三部分：一个引导性问题，用于驱动UGEN理解任务范式；一组候选意图或槽位选项，用于缩小答案搜索空间；以及上下文部分，表示原始话语内容。通过这些指导性提示，UGEN能够有效理解意图与槽位的语义含义及其隐含关联。在两个主流的多意图基准数据集上的实验结果表明，UGEN在全数据场景下取得了新的最先进（SOTA）性能；在5-shot（提升28.1%）和10-shot（提升23%）的少样本场景中，显著超越现有基线方法，充分验证了UGEN在少样本条件下的鲁棒性与有效性。