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
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
本文设计了一个目标导向的交互式系统,儿童可以通过诸如 “见面打招呼” 和 “Simon 说” 游戏等一系列交互活动与代理互动。研究人员探索了各种特征提取器和模型,以提高意图识别精度,并借助注意力模型等新颖的方式利用先前的用户和系统互动来进行对话适应,从有限的训练数据中引导学习的模型具有更好的性能。
Dec, 2019
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
本文针对任务导向的对话系统中的意图识别和参数标记存在的过度敏感问题,介绍了构建对抗性测试集和采用对抗性训练方法和数据增强来提高模型健壮性的解决方案。实验结果表明,这些技术的组合能显著提高系统的健壮性。
Nov, 2019
该研究旨在通过引入包括超出支持意图范围的查询的新数据集来评估范围内 / 超出范围的分类器及其性能,以更严谨、更真实地评估用于任务驱动对话系统中的文本分类。
Sep, 2019
该论文提出了一套预训练的意图检测模型,该模型通过训练 wikiHow 上的数据,在多语言场景下实现了最先进的结果,并且在零样本和少样本学习上具有较强的性能,即使只使用 100 个训练样本,在所有数据集上达到了超过 75%的准确率。
Sep, 2020
提出了一种新的任务 —— 广义意图发现(GID),旨在将传统的领域内意图分类器扩展到包括领域外意图在内的开放世界意图集。为未来的工作提出了基于管道和端对端两种框架,并构建了三个不同应用场景的公共数据集,通过详尽实验和定性分析,为未来 GID 研究提供了新的指导。
Sep, 2022
本研究提出一种新的意图发现方法,通过多任务预训练和对比损失优化聚类来学习语义表述以扩展对话系统中支持的意图类别。实验结果表明,该方法在半监督和无监督场景下均优于现有方法。
May, 2022