yizhen20133868 / gl-gin Goto Github PK

作者您好,
我这边按照readme做好了需求环境,
尝试了用您在repo中留的titan xp对应训练参数, 在tesla v100 上进行训练
并没有复现出论文的结果, 在 mixSNIPS clean 和 mixATIS clean上均无法接近论文的效果, 具体训练log我贴在附件内
mix_Atis.txt
mix_snips.txt

请问是有其他细节么，我想复现论文内sota的结果,最起码能接近

Why we can't re-produce the score in the paper by using the recommended hyper-parameters? Besides, i am curious about the t-test, as far as i know, t-test need more than one-time exp. Although we acheived the exactly same performance by using the previded "best model", We can't pass t-test by using the recommended hyper-parameters. Could you please provide more best-model by differents hyper-parameters or provide more details about training.

你好，我发现mixatis数据集test中出现了atis_day_name意图类别，但在train中未出现，这个是数据的原因吗？在论文中怎么处理的？

请问MixSNIPS数据集上的slot filling和overall性能怎么会这么高（有点离谱）？

adj = torch.cat([torch.eye(self.__num_intent + seq_len[0]).unsqueeze(0) for i in range(batch)])
这个 seq_len[0]感觉应该是 seq_len[i]

作者您好,
请问repository里的data mixATIS_clean 和mixSNIPS_clean 和其分割文件就是paper里result对应使用的数据是么?

您好，我看了你们的文章，并且也运行了代码，基本上复现了论文中的结果，非常感谢你们能够开源这项工作！
我目前希望利用这套代码处理中文的意图识别和槽位填充的问题，但还是有些地方不太明白想咨询一下：

我目前为了方便直接模拟英文的数据集，将中文按照字级别拆开，即['订', '机', '票']这样的结构，效果不是很理想。

所以想问一下，按照这套代码逻辑更适合下面哪一种分词呢：

• 字级别分词
• jieba分词
• 套用Bert的词向量

还有一个问题困扰了我很久，就是如果slot在原文中没有对应的word，该如何去做标注呢？
比如：

• text：自驾游去北京都经过那些地方啊？
• slots：{'目的地': '北京', '询问类型': '导航'}
• intent：旅游咨询

这里槽位值“导航”就没法在text里标注。。。

环境：
CUDA Version: 11.6
NVCC Version: 11.6
torch Version: 1.7.0

问题：
你好，我google了一下该Error，可以降低torch版本到1.3，不过，这时报错：torch版本与现在的CUDA版本又不一致。请问，修改现有代码哪里可以适配现在的torch和CUDA版本? 谢谢~

代码错误 softmax before regularization

我现在还是很有疑问哦, 确实没能复现出结果, 有其他关注这个项目的xdm跟我说说怎么复现的呗

hi,
I have encountered this problem, which has been unable to solve. Can you provide some ideas

File "D:\PythonCode\MachineLearning\slu\UGEN-main\utils\data_qa.py", line 164, in data_process
print(t)
UnicodeEncodeError: 'gbk' codec can't encode character '\xe2' in position 31: illegal multibyte sequence

Hi authors,

I couldn't find the optimal parameters to reproduce your results reported in the paper. In detail, I validate your provided model, the results are 84.3%, 72.8% and 38.4% for Slot F1, Intent accuracy and Overall accuracy, respectively. It is a large margin compared to your reported results in the paper (88.3%, 76.3% and 43.5%).
Could you provide more details and/or your pretrained model with the best result?

Thank you