基于度量学习的意图识别和槽填充方法

人机对话中小样本学习场景下的意图识别和槽填充,是自然语言处理的一个重要课题.本文采用基于度量学习的方法,通过计算query set中的样本与support set中样本的距离,寻找距离最近的类别样本作为分类标签,同时将两个任务联合进行训练,用以提升模型的效果.从实验结果中可以得出,本文提出的Fine-tune方法,对意图识别和槽填充任务都有一定的帮助和提升.胶囊网络在意图识别中也起到了一定的效果,可以帮助去除一部分无关信息,但对槽填充任务的帮助不明显;而任务自适应的投影网络,可以更好地将不同类的向量分开,提升了两个任务的性能.     

爱莲说——浅谈睡莲摄影

被誉为“水上女神”的睡莲，在历代的绘画、雕塑等作品中是常见的主题，也是很多摄影爱好者试图拍摄的对象。经过一番尝试后，很多朋友都感到，要拍出睡莲的神韵来并不是件容易的事。总体来讲，花卉摄影的基本技法都适用于睡莲的摄影，但要拍出睡莲独特的美，充分表现作者的创作意图并且有所创新，就要善于挖掘发现睡莲的特点，并且充分发挥摄影独特的优势。本文中笔者将和读者朋友们一起分享拍摄睡莲的经验和体会。     

福田重工国际化战略意图初显——福田重工2006年商务年会圆满举行

2005年12月15日，以“全球、技术、未来”为主题的福田重工2006年商务年会在山东潍坊富华大酒店隆重开幕。中国工程机械工业协会理事长韩学松、中国农机协会理事长高元恩、福田重工全国各地区2000多名经销商以及来自北美、欧洲等地区的20余名海外代理商，齐聚潍坊参加了本次年会。     

《算术平方根》教学设计

●创新整合点本节课我们设计了拼图活动、折纸活动,学生通过动手拼图发现2的存在,通过折纸活动感受2的大小。我们设计了互动式的动画演示。增强了学生的参与意识和学习的热情。●教材分析本节内容为人教版《数学》八年级第十三章《算数平方根》。由于实际计     

认识Scratch 在创作和快乐中提升学生的信息素养——Scratch教育实践综述

概念与问题随着人类步入信息时代,社会实践中会产生巨大的数据,虽然计算机处理数据的速度大约每18周翻1倍,其存储容量大约每9个月翻一番,但是生产或生活中所产生的数据迅速占满存储空间。这些数据就像一个宝藏,人们可以从中提取各种信息。面对庞杂的数据,     

基于样本熵与时频分析的手部抓握运动意图预测

针对上肢外骨骼控制信号产生与外部设备响应存在时间滞后导致脑机接口(BCI)系统实时性差的问题,采集被试手部自主抓握前运动相关皮质电位(MRCP) ,提出基于非线性复杂度特征样本熵 (SampEn)与线性幅值特征融合算法的手部运动意图预测方法. 从时频、神经复杂度分析不同大脑状态之间存在的差异,通过特征融合实现对手部抓握运动意图的预测. 基于特征融合意图离线预测准确率最高可达88.46%,可以在人体手部自主运动发生时刻?1 400 ms实现对手部运动预测. 与平静时期手部静止状态相比,被试产生手部抓握运动意图时脑电信号的功率谱与复杂度均产生明显变化,为基于手部运动意图预测提前驱动机器人实现人机协同提供控制策略.     

融合交互意图的图神经网络协同过滤算法

传统的协同过滤方法很大程度上以一种统一的方式进行建模,未从交互意图的细粒度上考虑建模关系。为此提出一种融合交互意图的图神经网络协同过滤算法（INTNGCF）。首先,通过将边分解成多个潜在空间来识别潜在意图;其次,利用交互意图融合层确定这些潜在意图的重要性;最后,生成用户对项目的预测评分。在三个真实数据集上与七种基线模型进行对比实验,结果表明,提出的算法与其他先进的推荐模型相比具有一定的性能优势。     

基于意图—槽位注意机制的医疗咨询意图理解与实体抽取算法

自然语言理解作为医疗对话中的关键组成部分,包含意图识别和槽位填充两个重要的子任务。为建立意图和槽位的相互促进关系,实现语义层次上的建模,提出了基于意图—槽位注意机制的医疗咨询意图理解与实体抽取算法。首先,收集医疗信息网站上用户的医疗健康提问文本,基于医学知识归纳总结了24类医疗意图和5种槽位,构建了中文医疗健康咨询数据集（CMISD-UQS）;然后,引入槽位选通机制来建模意图和槽位向量之间的显式关系,设计了意图—槽位注意机制层,构建了意图上下文信息以意图标签向量方式嵌入到槽位的方式。在公共数据集ATIS和SNIPS上与八种代表性算法的对比实验结果表明,所提算法优于所比较的八种算法;在CMISD-UQS数据集上的测试结果表明,所提算法的医疗意图识别准确率、语义槽填充F1值、句子级语义框架准确率分别为78.1%、94.9%和73.2%,均优于其他对比算法。     

区分交互意图的图卷积协同过滤算法

近几年提出了一些基于图卷积网络的协同过滤推荐模型,然而大部分模型将邻域权重视为常量且不区分用户和物品间的交互关系,无法获取令用户满意的推荐列表。因此,为了得到用户和物品更准确的嵌入表示,提出一种区分交互意图的图卷积协同过滤推荐算法MiGCCF(multi-intention graph convolutional collaborative filtering)。该算法将交互关系进行分解,细粒度分析用户与物品间的交互意图,并引入注意力机制,在消息传播过程中赋予邻域可学习的注意力权重,挖掘用户对于不同交互物品的喜爱度。在Gowalla与Amazon-book上的实验表明,该算法相比于基准算法,在两个数据集上的HR@50和NDCG@50指标分别提高了12.5%和8.5%,具有更好的性能表现。