本研究探讨了将口语言语转换为数千种自然语言理解领域之一的任务，提出了一种具有共享编码器、个性化信息的新型注意机制和领域特定分类器的可扩展神经模型架构来有效地解决这个问题。该架构旨在解决实时生产系统中的实际限制，并设计以最小化内存占用和运行时间延迟。本文的研究结果表明，在数千个重叠领域的设置中，结合个性化信息可以显著提高领域分类的准确性。

Apr, 2018

本文提出基于神经网络的 CoNDA 方法，支持新类别的增量学习，以改进个性化动态信息融入在智能个人数字助手中的领域分类问题，并在现有和增量添加的新领域上实现高准确性和超越对比基准的结果。

May, 2019

本研究提出了一种新颖的重新排名策略，改善自然语言理解系统（NLU）的性能，并维护了域特定的可拆卸性，增加了模型的校准性和交叉域性能。

Sep, 2018

使用多任务学习方法，缩短新任务学习所需的数据量，以提高自然语言理解中的 slot 填充模型适配多目标任务或领域的效率。该多任务模型可以利用在其他任务中学习到的模式，以较少的数据获得更好的性能，并支持开放词汇，可以很好地应用于微小数据量的训练。实验结果显示了该方法在四个不同领域中的适配效果和开放词汇技术的有效应用。

Apr, 2016

通过使用大型语言模型 (LLMs) 生成大量合成的查询，可以在不使用大量标记的数据的情况下，有效地优化实现信息检索任务，同时消除因为领域的转变而导致真实世界应用效力降低的问题。

Mar, 2023

本文提出了一种基于用户授权域的监督式启用注意机制，通过利用注意力机制加权计算用户喜好或验证的授权域，来提高自然语言理解的域分类性能。该机制采用 Sigmoid 激活函数，以更具表达力的方式计算注意权重，并通过自监督机制利用其他授权域的注意信息。实验表明，我们的方法显著提高了域分类的性能。

Dec, 2018

通过使用知识图谱增强任务特定的训练程序，我们提出了 KnowledgeDA 作为一个统一而低代码的领域语言模型开发服务，实现了两个领域的语言模型学习，并进行了五项领域特定 NLP 任务的实验证明。

Dec, 2022

提出了一种新的学习方式：从头开始进行领域自适应，以便在隐私保护的情况下将 NLP 扩展到敏感领域。研究比较了几种方法，包括数据选择和领域自适应算法以及主动学习方法，在情感分析和命名实体识别等两个 NLP 任务上进行了验证，结果表明结合上述方法可以缓解领域差距并进一步提高结果。

Sep, 2022

本研究介绍了一种基于 LSTM 域选择组件的人工智能助理系统中对于选择相关新训练数据的方法，实验结果表明，与随机选择和基于熵的方法相比，在固定标注预算的情况下提供了更高的准确性提升。

Aug, 2019

该论文提出了一种称为结构化知识领域自适应（DASK）的新方法，通过利用单词级语义关系来增强域自适应，为跨域情感分类提供了 3% 的提升。

Jun, 2022