Do Large Language Model Understand Multi-Intent Spoken Language ?

这项研究通过利用大型语言模型（LLMs）进行多意图口语理解（SLU）取得了重要进展，提出了一种在SLU环境中利用LLMs生成能力的独特方法。我们的创新技术专门为LLM在多意图SLU环境中重新配置实体槽，并引入了子意图指令（SII）的概念，增强了对不同领域中复杂的多意图交流的分解和解释。由此产生的数据集被称为LM-MixATIS和LM-MixSNIPS，是从现有基准中精心制作而成的。我们的研究表明，LLMs可以匹配并潜在超越当前最先进的多意图SLU模型的能力。此外，我们还介绍了两个开创性的指标，实体槽准确度（ESA）和综合语义准确度（CSA），以提供对LLMs在这一复杂领域的熟练度进行深入分析。

本论文尝试解决多意图口语理解中的实体识别和意图分类问题，验证了利用大型语言模型在此领域的可行性和优越性。

论文提出了一种基于大型语言模型的口语理解方法，利用生成式语言模型在多意图场景下重新配置实体槽位，引入子意图指令（SII）的概念，提高对复杂多意图交流的分析和理解能力。

论文使用已有的基准数据集构建了两个新的数据集LM-MixATIS和LM-MixSNIPS，证明了大型语言模型在多意图口语理解方面可以匹敌甚至超越当前最先进的模型。论文还提出了两个新的评价指标ESA和CSA，用于深入分析大型语言模型在这一复杂领域的性能。

最近的相关研究包括使用深度学习技术的多意图口语理解方法，如基于循环神经网络和注意力机制的模型，以及基于BERT等预训练模型的方法。