赵鹏飞，李艳玲，林 民

内蒙古师范大学 计算机科学技术学院，呼和浩特010022

口语理解在人机对话系统任务中具有十分重要的作用。为了让机器理解用户的需求并进行反馈，口语理解通常利用三个模块对用户输入内容进行分析，分别是领域识别、意图识别和语义槽填充，其中，意图识别的准确性能够直接影响口语理解的性能。随着智能人机对话系统应用的广泛发展，例如Siri、Cortana以及智能教育系统和预订票务系统，人们逐渐体会到了人机对话系统的便利性和实用性，对于其他新领域对话系统的需求也在增加。因此，开发新领域对话系统成为当前的研究热点。在新领域开发过程中，通常很难获得可直接用于模型训练的数据和标签，这导致了训练新模型需要昂贵的代价。为了解决新领域数据不足的问题，目前通常的做法是利用迁移学习。

迁移学习能够将源任务中的知识和信息最大化地迁移到目标任务中，解决目标任务的相关问题。近年来，迁移学习在图像识别、目标检测以及跨语言翻译方面应用广泛，并在实际领域发挥作用，比如医学领域、物理领域等[1]。Wu等人[2]针对低分辨率图像分类问题，提出利用源域高分辨率图像和低分辨率图像进行模型的预训练，并将其嵌入目标任务的分类模型中，提升目标任务的分类性能。Chen等人[3]利用迁移学习的预训练模型对神经网络进行模块微调，解决跨领域的医学图像分类问题。对抗网络是实现迁移学习中领域适应的一种有效方法，胶囊网络对于小样本特征提取具有一定优势。……