本文提出了一种新的零射击槽填充神经模型LEONA，利用语言特征和上下文嵌入，显著提高了多个数据集上的性能。研究探讨了大型语言模型在噪声ASR转录中的应用，提出了微调方法和知识注入方案，提升了模型的鲁棒性和准确性。实验结果表明，该模型在低数据情况下表现优异，适用于多领域对话系统。

本文介绍了Dirichlet连续学习（DCL）方法，用于解决对话系统中的计算约束和耗时问题。DCL利用Dirichlet分布建模先验变量，指导伪样本生成，并引入Jensen-Shannon知识蒸馏方法。实验证实了该方法在意图检测和槽填充任务上的有效性，超过了最先进的方法。

本文提出了少样本意图分类和槽填充的新任务，并通过三个公共数据集的少样本分割建立基准。研究发现，元学习算法和原型网络算法在基准上优于fine-tuning基线。预训练的语言模型与这些小样本算法相结合，可以进一步提高模型性能。

该研究评估了不同尺寸的预训练语言模型在口语语言理解方面的表现。最大的模型在意图分类准确性方面表现良好，但在槽填充方面表现不佳，并且对ASR错误敏感。

本文提出了一种名为Dirichlet连续学习（DCL）的生成排练策略，用于解决数据驱动任务导向对话系统中的增量学习问题。DCL利用Dirichlet分布建模潜在先验变量，指导伪样本的生成。同时，介绍了一种基于逻辑的知识蒸馏方法，称为Jensen-Shannon知识蒸馏（JSKD），在伪样本生成期间增强了知识传递。实验证实了该方法在意图检测和槽填充任务上的有效性，并胜过了最先进的方法。