网络搜索与对话代理中的用户意图推断
研究了信息检索中用户意图识别的两个方面，提取基于内容，结构和情感特征的特征，利用经典机器学习方法执行用户意图预测，使用特征重要性分析确定了结构特征对预测的贡献最大，并构建了神经分类器以提高性能。
Jan, 2019
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
在电子商务搜索中，通过利用历史查询重构日志，采用远程监控的方法来确定查询的产品意图，进而在搜索引擎中强调定义查询的产品意图的术语，从而改善排名。实验证明比非情境性基线更胜一筹，可以解决查询处理中出现的多种问题。
Aug, 2019
本文采用多种嵌入方法以及循环神经网络和卷积神经网络等模型，通过基于查询的分类预测用户意图，从而实现预测用户在网站上的行为，可有效跟踪用户的意图并提供更好的用户体验。
Dec, 2018
识别和理解用户意图是电子商务的一个关键任务。本文针对预测用户意图展开研究，将意图理解视为自然语言推理任务，并独立于产品本体论。我们发现 SOTA 电子商务意图知识图 FolkScope 存在两个弱点，限制了其对用户意图的推理以及对多样有用产品的推荐能力。基于这些观察，我们引入了一个产品恢复基准，包括一种新颖的评估框架和一个示例数据集，并在该基准上进一步验证了 FolkScope 的上述弱点。
Feb, 2024
本研究介绍了一个新的数据集，用于分析信息搜寻对话的用户意图分布、共同出现和流程模式，并利用 MSDialog 数据集发现了一些可用于设计对话式搜索系统的高频用户意图模式。
Apr, 2018
本文提出了利用基于自我注意力的神经网络的机器理解方法，来解决电子商务对话搜索中的查询跟踪问题，并构建了一种新的数据集，实验结果表明，该模型在精确匹配度和 F1 得分方面优于几种基线模型，展示了机器理解模型在此任务上的潜力。
Oct, 2018
通过系统文献综述分析了用户意图建模相关的概念和常用模型，并提供了决策模型以辅助研究人员选择最合适的模型。研究分析了 59 个不同的模型，并鉴别出 74 个常用特征，为模型组合、选择趋势、质量问题、评估方法和常用数据集提供了有价值的见解，促进了更有效和个性化的对话推荐系统的发展。通过对话推荐系统，研究人员能够更系统和高效地评估意图建模框架的适合程度。
Aug, 2023
本研究提出了一种用于处理商业任务导向型对话系统中未识别用户语句的端到端管道，包括特定定制聚类算法、新颖的聚类代表提取方法和聚类命名。通过评估这些组件，证明了它们在分析未识别用户请求方面的益处。
Apr, 2022
该文提出了 “开放式意图发现” 任务并提出了双向 LSTM+CRF 模型、自注意力、对抗训练等新方法，在真实数据集上进行实验，证明了该方法的有效性并达到了领先水平。
Apr, 2019