比较了不同的NLU工具在多个领域中的性能,结果表明在意图分类方面Watson表现最佳,而在实体类型识别方面表现不佳。
Mar, 2019
提出了一种生成“区分性问题”的新方法,以解决用户查询中的歧义,用于任务导向型对话系统中的意图检测,而无需昂贵的领域特定澄清问题的标注数据。
Aug, 2020
该研究提出了自然语言对话系统中自动推断语义意图和关键词槽位的新方法,通过应用Apriori算法,设计了一种包含角色标注,概念挖掘,模式挖掘三步的粗略到精细的三步流程,实验表明该方法不仅适用于领域内和领域间的数据,具有良好的适应性,而且大大减少了手动工作。
Mar, 2021
提出从句法线索中学习机器人用户意图特征的思想,旨在提高自然语言理解模型的性能,特别是多意图的分类任务。提出了新的神经网络Global-Local模型,可在实际情况下和已有基线相比显着提高性能。
Apr, 2021
本研究提出了一种无监督的自动化pipeline,基于问答模型和聚类方法,能够从真实的对话数据中抽取意图并建立意图分组分类体系,验证结果表明该方法能够解决自然语言理解中的意图识别问题,实现了超过85%的区分准确度。
Aug, 2022
本文研究了提高生产质量的面向任务的对话系统的设计的困难,提出了使用自然语言的轻量级语义表示——规范形式作为用户意图分类的替代方法,并且展现了规范形式可以很好地泛化到新的、未知的域,在零次或少次样本学习中可以轻易实现,并且可以降低开发新的任务导向的对话域的复杂性和费用。
Nov, 2022
本文探讨了无监督方法来克服任务导向对话结构设计的基本挑战:为每个对话轮分配意图标签(意图聚类)和生成一组基于意图聚类方法的意图(意图归纳),并且通过比较不同的 clustering 算法和嵌入方法,表明对于意图归纳任务,应当仔细考虑句子嵌入和聚类方法的组合选择,同时 MiniLM 和聚合聚类结构在意图归纳任务中显示出显著的性能提升。
Dec, 2022
通过模块化和高度自动化的LUCID系统,我们产生了一个包含4,277个跨100个意图的多领域、多意图对话的种子数据集,其中包含了各种具有挑战性的现象和多样的用户行为。
Mar, 2024
对话代理是NLP研究人员建立能够与人类自然语言进行交流的智能代理的长期目标。为了协助用户完成任务,这些系统应该能够轻松地从一个领域适应到另一个领域。本研究对意图分类的进展进行了系统回顾,描述了意图分类的难点,研究了领域适应的限制,并提出了未来工作的机会。
利用LLM-based技术生成任务导向对话系统中的间接用户请求数据集,用于测试自然语言理解和对话状态跟踪模型在真实场景中的表现。
Jun, 2024