Die Studie befasst sich mit dem Problem der Entdeckung neuer Absichten (New Intent Discovery, NID) in Dialogsystemen. Bisherige Methoden hatten Schwierigkeiten, diskriminative Darstellungen mit starker Kompaktheit innerhalb der Cluster und großer Trennung zwischen den Clustern zu erfassen.
Um diese Herausforderungen anzugehen, schlagen die Autoren einen RAP-Rahmen vor, der aus zwei Hauptkomponenten besteht:
Robuste prototypische Anziehungsmethode (RPAL): Zielt darauf ab, die Instanz-zu-Prototyp-Abstände zu minimieren, um eine stärkere Kompaktheit innerhalb der Cluster zu erreichen. Eine Interpolationstrainingsstrategie wird verwendet, um die Auswirkungen von Pseudoetikettverzerrungen abzumildern.
Adaptive prototypische Verteilungsmethode (APDL): Zielt darauf ab, die Prototyp-zu-Prototyp-Abstände zu maximieren, um eine größere Trennung zwischen den Clustern zu erzielen. Eine gewichtete Trainingsobjektivfunktion wird verwendet, um nähere Prototypen stärker auseinanderzutreiben.
Die beiden Methoden werden in einem multitask-Lernrahmen kombiniert, um cluster-freundliche Darstellungen für bekannte und neue Absichten zu lernen. Umfangreiche Experimente auf drei Benchmark-Datensätzen zeigen, dass RAP deutliche Verbesserungen gegenüber dem aktuellen Stand der Technik erzielt (durchschnittlich +5,5% Verbesserung).
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Shun Zhang,J... at arxiv.org 03-26-2024
https://arxiv.org/pdf/2403.16913.pdfDeeper Inquiries