BERT for Joint Intent Classifification and Slot Filling论文解读

论文地址：BERT for Joint Intent Classifification and Slot Filling

代码地址：https://github.com/monologg/JointBERT（非官方）

摘要

意图分类和slot filling是自然语言理解的两个基本任务。它们经常遭受小规模的人工标签训练数据的困扰，导致泛化能力差，尤其是对于稀有单词。最近，一种新的语言表示模型BERT（来自Transformers的双向编码器表示）有助于在大型未标记的语料库上进行预训练深层的双向表征，并在处理完各种自然语言处理任务后创建了最新的模型简单的微调。但是，在探索BERT以获得自然语言理解方面并没有付出很多努力。在这项工作中，我们提出了一个基于BERT的联合意图分类和slot filling模型。实验结果表明，与基于注意力的递归神经网络模型和slot-gated模型相比，我们提出的模型在多个公共基准数据集上的意图分类准确性，slot filling F1和句子级语义准确性都有了显着提高。

实现方法

BERT

在每一句话的开头出插入一个特殊类别embedding([CLS])作为第一个token，在解为处同样插入([SEP])。

Joint Intent Classifification and Slot Filling

意图识别

使用第一个特殊token([CLS])对应的隐藏参数来预测意图：

$y^i = softmax(W^ih_1+b^i)$yi=softmax(Wih1​+bi)

这里的$i$i是intent的缩写。

slot filling

使用最终的隐藏层参数$h_2,...,h_T$h2​,...,hT​，将其输入一个softmax函数中去预测slot filling标签：

$y^s_n = softmax(W^sh_n+b^s),n\in1...N$yns​=softmax(Wshn​+bs),n∈1...N

其中$h_n$hn​是与单词$x_n$xn​的第一个子标记相对应的隐藏状态。

CRF

使用CRF来提升slot filling预测的准确率。

实验结果

在ATIS和Snips上对模型进行了测试。