本文提出了一种可扩展且自动的方法，通过利用隐式用户反馈来改进大规模对话 AI 系统中的自然语言理解 (NLU)。我们基于用户交互数据和对话上下文，提出了一个通用的领域无关框架，以改进来自生产流量的 NLU 新监督数据。通过广泛的实验，我们展示了应用该框架并改进大规模生产系统中的 NLU 的结果，并展示了其在 10 个领域的影响。

Oct, 2020

研究了一个新的多任务 NLU 结构在小型领域游戏数据集上进行意图识别的表现，发现相比基线方法，Dual Intent and Entity Transformer (DIET) 架构在野外数据上具有较强的鲁棒性。

May, 2022

研究使用对话式多轮数据的方法加速训练自然语言到查询语言的机器学习模型，旨在解决领域数据有限及集成过程繁琐耗时等问题。

May, 2020

本文通过对最新的自然语言理解系统的语言能力进行批判性分析，认为这些系统具备人类语言学习和处理的重要方面，但同时缺乏关键的解释和推论技能，除非它们被结构化知识和利用语言使用能力所整合，否则难以实现这些技能。

Mar, 2023

该论文讨论了使用深度学习技术进行自然语言理解的联合任务，包括意图检测和槽填充，介绍了 Spoken Language Understanding/Natural Language Understanding（SLU/NLU）技术和用于解决该问题的最新自然语言处理和深度学习技术，以及如何提高性能的一些方法。

Dec, 2022

通过 DialogVCS 建立了一种新的基准测试方法，将包含语义交织的意图识别问题建模为带有正标签但是未标注意图的多标签分类任务，并提出了综合的基线模型以有效地识别具有语义交错的意图。

May, 2023

介绍了 3 个从不同领域的实时聊天机器人获取的数据集，用于评估意图检测系统。研究发现，现有的数据集往往是通过众包方式获得，为解决此问题，作者提出了使用真实用户查询构建数据集的方法，并验证了 4 个 NLU 平台和一个基于 BERT 的分类器在测试集上的表现。

Sep, 2020

研究比较不同意图检测方法，显示 Watson Assistant 具有高准确度，能较少使用计算资源和训练数据，并在训练和测试分布不同时表现出较高的鲁棒性。

Dec, 2020

本文提出了意图发现框架，通过自动聚类类似用户话语并手动注释，再通过对未被聚类映射的话语标记意图标签和标记传播，从原始对话中生成意图训练数据，以有效地解决在聊天机器人开发过程中遇到的用户话语分类问题，并验证了该框架的有效性。

May, 2020

我们提出了一个用于口语对话系统宽覆盖自然语言理解的新型神经架构，该架构采用层次多任务结构，具有自我注意机制、BiLSTM 编码器和 CRF 标签层。我们展示了该方法在对话行为和框架语义上获得了可喜的结果，并证明了其适用于注释为特定领域意图和相应语义角色的不同 NLU 数据集，整体表现优于 RASA、Dialogflow、LUIS 和 Watson 等现有工具。例如，我们展示了平均实体标记 F 分数比 Rasa、Dialogflow 和 LUIS 提高了 4.45%。

Oct, 2019