重构胶囊网络以实现零距离的意图分类

意图分类是对话系统的一个重要组成部分。随着对话式人工智能的蓬勃发展，现有的系统没有能力处理众多快速出现的意图，这就促使了零散的意图分类。然而，对这个问题的研究仍处于萌芽阶段，可用的方法很少。最近提出的一种零次元意图分类方法，IntentCapsNet，已经被证明可以达到最先进的性能。然而，它有两个未解决的局限性：（1）在提取语义胶囊时，它不能处理多义词；（2）在广义的零次元意图分类设置中，它很难识别未见过的意图的语篇。为了克服这些局限性，我们建议重建胶囊网络，用于零次元意图分类。首先，我们引入了一个维度关注机制来对抗多义词。其次，我们通过利用标记语料的丰富的潜在信息来重建未见意图的转换矩阵，这大大提高了模型的泛化能力。在两个以任务为导向的不同语言的对话数据集上的实验结果表明，我们提出的方法优于IntentCapsNet和其他强基线。