序列标注在SLU语义理解具有重要地位，主要用于语义槽的提取，便于机器理解用户query的语义。常见的序列标注方式有Jordan-RNN、BiLSTM-CRF等。为提高序列标注的准确度，加入用户意图的识别任务。
阿里的这篇论文主要观点也是加入多任务，但并非用户意图分类的任务，而是分词和NER的任务。分词任务（chunking）主要用于判别词语的边界、NER任务主要识别实体的类型（例如PERSON、LOCATION等），可以理解为分词任务纯是句法层面的任务（没有语义层面）、NER是底层的语义识别、上层的序列标注是更加细腻度的语义槽提取。三个任务加在一起的进行多任务训练的方式有很多种，具体如图1所示。
多任务的几种组合方式（b）中是最原始的multi-task方式，就是底层共享，output层分离分别用作三个不同的任务，共同tune底下共享部分的模型参数，（c）中结构的观点是深度学习模型在底层一般是句式句法上的特征、层数越深语义越抽象，（d）中沿用了（c）的假设但加入了残差连接，将上一层的输入以及输出的预测标签均残差连接到下一层的输入。具体看一下slot的定义就知道了三个不同的任务分别做什么，如图2所示。
槽值定义分词任务就是找词语边界，NER任务就是识别实体的类型，slot label就是识别更加细腻的语义槽定义。表格中PV、PK、CG对应的语义如下图所示。
论文在两组数据集合上进行模型的效果验证，一个是ATIS、另一个是自己构建的真实数据集合ECSA，ATIS数据集合上的效果在这里就不报告了，ATIS数据量少没有说服力。ECSA是阿里自己构建的电商数据集合，拥有24,892训练数据、2,723条测试数据。具体效果如下：
思考: 这种分层解耦和的Multi-task方式很适合用于底层模型参数进行迁移，用于数据量较少的其他任务增强语义理解效果。
参考文献
Gong, Yu , et al. "Deep Cascade Multi-task Learning for Slot Filling in Online Shopping Assistant." (2018).
