基于对比学习的儿科问诊对话细粒度意图识别

摘要

问诊对话系统的基础是自然语言理解。自然语言理解是指从对话信息中提取出意图信息和实体信息，并将其转换为结构化表达，主要包括意图识别和槽填充2种任务。意图识别是一种典型的文本分类任务，槽填充则是使用序列算法从对话文本中根据预先设定好的槽位抽取对应的槽位值。传统的方法通常对意图识别和槽填充2个任务分别构建模型，并在意图识别的基础上根据意图进行槽填充，但是这种方式容易造成错误传播。针对该问题，本文提出一种基于对比学习方法的融合对话意图分类和语义槽取值的细粒度意图识别方法。该方法结合意图分类和语义槽取值任务，使用BART作为骨干模型进行改进和创新，该模型使用编解码架构，意图识别和槽填充任务共享一个编码层，解码层采用字级别标签，通过将意图信息融合进槽填充任务，并在样本构造过程中引入对比学习。实验结果表明，本文算法在医患对话数据集上的意图识别准确率达到81.96%,槽填充的F₁分数达到85.26%,与其他算法相比有明显的效果提升。另外，通过消融实验和样例分析，进一步证明了本文算法的效果。

关键词

对比学习 / 意图识别 / 槽填充 / 细粒度 / 医疗对话