Een benadering gebaseerd op een Pointer Network voor gezamenlijke extractie en detectie van multi-label multi-class intenties.

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

October 29, 2024

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

cs.AI

Samenvatting

Bij taakgerichte dialoogsysteem is intentie-detectie cruciaal voor het interpreteren van gebruikersvragen en het bieden van passende antwoorden. Bestaand onderzoek richt zich voornamelijk op eenvoudige vragen met één intentie, waarbij effectieve systemen ontbreken voor het afhandelen van complexe vragen met meerdere intenties en het extraheren van verschillende intentiegebieden. Daarnaast ontbreekt het opvallend aan meertalige, multi-intentie datasets. Dit onderzoek behandelt drie kritieke taken: het extraheren van meerdere intentiegebieden uit vragen, het detecteren van meerdere intenties, en het ontwikkelen van een meertalige multi-label intentiedataset. We introduceren een nieuw multi-label multi-class intentie-detectiedataset (MLMCID-dataset) samengesteld uit bestaande benchmarkdatasets. We stellen ook een architectuur voor op basis van een pointer-netwerk (MLMCID) om intentiegebieden te extraheren en meerdere intenties te detecteren met grove en fijnkorrelige labels in de vorm van zestuplets. Een uitgebreide analyse toont de superioriteit van ons op pointer-netwerk gebaseerde systeem aan ten opzichte van basismethoden wat betreft nauwkeurigheid en F1-score over verschillende datasets.

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.