意图识别和槽信息填充的联合模型将口语理解技术(Spoken language understanding, SLU)提升到了一个新的水平，但由于存在出现频率低或未见过的槽指称项(0-shot slot mentions)，模型的序列标注性能受限，而且这些联合模型往往没有利用输入序列存在的语法知识信息。已有研究表明序列标注任务可以通过引入依赖树结构，辅助推断序列标注中槽的存在。在中文口语对话理解中，由于中文话语是一串字序列组成，输入话语的字和槽信息是一一对应的，因而槽信息填充模型往往是字特征模型。基于词的依赖树结构无法直接应用于基于字特征的槽填充模型。为了解决字词之间的矛盾，本文提出了一种基于字模型的依赖引导槽填充模型(Dependency-guided character-based slot filling model, DCSF)，提供了一种简洁的方法解决将词级依赖树结构引入中文字特征模型的冲突，同时通过对话语中词汇内部关系进行建模，保留了词级上下文信息和分词信息。在公共基准语料库SMP-ECDT和CrossWOZ上的实验结果表明，我们的模型优于比较模型，特别是在未见过的槽指称项和低资源情况下有很大的改进。

内容中包含的图片若涉及版权问题，请及时与我们联系删除