论文
SFL-MTSC：利用语义框架级多任务自一致性实现鲁棒的多意图口语理解
SFL-MTSC: Leveraging Semantic Frame-Level Multi-Task Self-Consistency for Robust Multi-Intent Spoken Language Understanding
摘要
由于解码随机性，使用 大语言模型 (LLM) 的基于提示的口语理解 (SLU) 通常会遇到不一致的意图槽结构，特别是在多意图场景中。鉴于此，我们提出了语义帧级多任务自一致性（SFL-MTSC），这是一种在语义帧级别运行的新颖的结构化聚合框架。 SFL-MTSC 不是输出级多数投票，而是将预测分解为特定意图的框架，应用域意图分组和槽级聚类，并使用路径支持评分来评估聚类可靠性。可靠的帧被保留并重新集成以形成最终的预测。 MAC-SLU 基准数据集上的零样本实验显示，与单路径推理相比，时隙 F1 和整体精度有所提高，而意图精度在大多数设置中基本保持稳定。