Ein auf Pointer-Netzwerken basierender Ansatz zur gemeinsamen Extraktion und Erkennung von Multi-Label-Multi-Class-Intentionen.

A Pointer Network-based Approach for Joint Extraction and Detection of Multi-Label Multi-Class Intents

October 29, 2024

Autoren: Ankan Mullick, Sombit Bose, Abhilash Nandy, Gajula Sai Chaitanya, Pawan Goyal

cs.AI

Zusammenfassung

In taskorientierten Dialogsystemen ist die Absichtserkennung entscheidend für die Interpretation von Benutzeranfragen und die Bereitstellung angemessener Antworten. Die bestehende Forschung befasst sich hauptsächlich mit einfachen Anfragen mit einer einzigen Absicht, wobei effektive Systeme zur Bewältigung komplexer Anfragen mit mehreren Absichten und zum Extrahieren unterschiedlicher Absichtsbereiche fehlen. Darüber hinaus fehlen mehrsprachige, multi-absichtliche Datensätze signifikant. Diese Studie behandelt drei kritische Aufgaben: das Extrahieren mehrerer Absichtsbereiche aus Anfragen, das Erkennen mehrerer Absichten und die Entwicklung eines mehrsprachigen, multi-label Absichtsdatensatzes. Wir stellen einen neuartigen multi-label multi-class Absichtserkennungsdatensatz (MLMCID-Datensatz) vor, der aus bestehenden Benchmark-Datensätzen zusammengestellt wurde. Wir schlagen auch eine auf Pointer-Netzwerken basierende Architektur (MLMCID) vor, um Absichtsbereiche zu extrahieren und mehrere Absichten mit groben und feingranulierten Labels in Form von Sechstupeln zu erkennen. Eine umfassende Analyse zeigt die Überlegenheit unseres auf Pointer-Netzwerken basierenden Systems gegenüber Basisansätzen in Bezug auf Genauigkeit und F1-Score über verschiedene Datensätze hinweg.

English

In task-oriented dialogue systems, intent detection is crucial for interpreting user queries and providing appropriate responses. Existing research primarily addresses simple queries with a single intent, lacking effective systems for handling complex queries with multiple intents and extracting different intent spans. Additionally, there is a notable absence of multilingual, multi-intent datasets. This study addresses three critical tasks: extracting multiple intent spans from queries, detecting multiple intents, and developing a multi-lingual multi-label intent dataset. We introduce a novel multi-label multi-class intent detection dataset (MLMCID-dataset) curated from existing benchmark datasets. We also propose a pointer network-based architecture (MLMCID) to extract intent spans and detect multiple intents with coarse and fine-grained labels in the form of sextuplets. Comprehensive analysis demonstrates the superiority of our pointer network-based system over baseline approaches in terms of accuracy and F1-score across various datasets.