重構膠囊網路以實現零射意圖分類

意向分類是對話系統的重要組成部分。隨著會話式AI的蓬勃發展，現有系統無法處理許多快速出現的意圖，這激發了零風險的意圖分類。然而，關於這個問題的研究仍處於起步階段，很少有可用的方法。最近提出的一種零射意圖分類方法IntentCapsNet已被證明可以實現最先進的性能。然而，它有兩個未解決的局限性：（1）在提取語義膠囊時，它不能處理多義詞;（2）在廣義的零射意圖分類設置中，它很難識別看不見的意圖的話語。為了克服這些限制，我們建議重建膠囊網路以進行零射意圖分類。首先，我們引入一種維度注意機制來對抗多義性。其次，利用標記話語的大量潛在資訊，為看不見的意圖重構變換矩陣，顯著提高了模型泛化能力。在兩個不同語言的面向任務的對話數據集上的實驗結果表明，所提出的方法優於IntentCapsNet和其他強大的基線。