文章目錄

• 論文部分
• Abstract
• Introduction
• Proposed Approach
• 2.1 基於注意力機制的RNN模型
• 2.2
• 實驗部分

論文部分

Abstract

根據slot和intent之間的關係，提出了一種slot gate來學習intent和slot向量之間的關係，通過全域性優化來獲得更好地語義資訊。

Introduction

由於slot通常高度依賴於intent，因此本工作重點介紹如何通過引入slot gate來建模slot和intent向量之間的顯式關係：

• slot gated模型效果比基於注意力的模型具有更好的效能；
• 對兩個SLU資料集的實驗表明了所提出的slot gate的推廣和有效性；
• gating表示有助於我們學習 slot-intent 之間的關係。

Proposed Approach

2.1 基於注意力機制的RNN模型

雙向長短期記憶（BLSTM）模型將單詞序列 $x=(x_{}$

2.2

實驗部分

1. 程式碼下載：SlotGated-SLU

2. 環境要求：
   python3.5 + tensorflow1.4

3. 環境配置：

   • 安裝虛擬環境：
     安裝虛擬環境
     pip install virtualenv
     在當前目錄下，建立虛擬環境目錄，並指定python直譯器。
     virtualenv -p /usr/bin/python3.5 tensorflow-py3.5
     啟用虛擬環境
     source tensorflow-py3.5/bin/activate
     啟用之後可以看到：
     

   • tensorflow下載安裝：可以使用清華大學提供的映象，選擇相應的計算單元、作業系統、python版本、tensorflow版本進行下載安裝，會自動生成安裝命令。
     清華大學tensorflow映象
     我使用的安裝命令：
     pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/cpu/tensorflow-1.4.0-cp35-cp35m-linux_x86_64.whl

   • 安裝完畢之後就可以根據readme裡的Usage來執行程式了。