پر کردن اسلات — استخراج مشترک NER-NLU
پر کردن اسلات یک وظیفه درک زبان طبیعی است که فیلدهای از پیش تعریف شده الگو — مانند تاریخ، مکان، یا نام محصول — را از یک گفتار کاربر استخراج میکند. این وظیفه به عنوان یک جزء اصلی سیستمهای گفتگو و استخراج اطلاعات مبتنی بر فرم ظهور کرد و پس از معرفی مدل دریچهدار اسلات (Slot-Gated Model) توسط Goo و همکاران (۲۰۱۸) برای پر کردن مشترک اسلات و پیشبینی قصد، به طور گسترده مورد مطالعه قرار گرفت و سپس چن و همکاران (۲۰۱۹) با مدلسازی مشترک مبتنی بر BERT، این پارادایم را گسترش دادند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
نقشهٔ روش
همسایگی روشهای مرتبط — برای کاوش، یک گره را برگزینید.
منابع
- Goo, C.W., Gao, G., Hsu, Y.K., Huo, C.L., Chen, T.C., Hsu, S.C., & Chen, Y.N. (2018). Slot-Gated Modeling for Joint Slot Filling and Intent Prediction. Proceedings of NAACL-HLT 2018. link ↗
- Chen, Q., Zhuo, Z., & Wang, W. (2019). BERT for Joint Intent Classification and Slot Filling. arXiv preprint arXiv:1902.10909. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Slot Filling (NER-NLU Joint Extraction). ScholarGate. https://scholargate.app/fa/text-mining/slot-filling
کدام روش؟
این روش را در کنار نزدیکترین روشهای خویشاوندش بگذارید و آنها را کنار هم بخوانید — کتابخانه کتابها را روی میز میگشاید؛ انتخاب با شماست.
- پیونددهی موجودیتمتنکاوی↔ مقایسه
- استخراج اطلاعاتمتنکاوی↔ مقایسه
- تشخیص قصدمتنکاوی↔ مقایسه
- بازشناسی موجودیت نامدار (NER)متنکاوی↔ مقایسه
- طبقهبندی متنمتنکاوی↔ مقایسه
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →