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

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

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

本文提出了一种用于大型电子商务平台的意图发现流程改进方法，该方法利用了领域内数据的自我监督和弱监督预训练语言模型，以及利用现实生活数据的对话结构进行微调的最佳方法，并使用所有这些方法结合使用，使真实生活数据的使用比仅使用问题数据的 CDAC 模型效果提高了多达 33pp。

May, 2023

该研究报告基于知识转移伙伴计划，与一家为各种业务部门外包客户支持系统的公司合作，探讨了在客户支持领域可能应用的人工智能方法，包括使用社交媒体、机器学习和远程设备连接等技术来改善客户支持。研究发现，使用不同的方法来准确预测客户意图可以提高客户支持的准确性，但要面对未知意图的准确性问题，还需要进一步研究。

Jul, 2023

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

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

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

客户支持请求的准确预测对于高效的支持系统至关重要，该论文提出了一种将意图预测扩展到各个客户的系统，通过将一个通用模型与每个客户的相关意图列表结合使用，以降低培训和维护成本，同时为客户提供个性化体验，以适应其相关意图的变化，并展示了与行业特定模型相比具有显著优势的最终系统，显示出其灵活性和满足不同客户需求的能力。

Sep, 2023

本文提出一个针对客户服务交互的自动感知意图的基准测试，探讨了虚拟助手、bot 架构设计、意图识别、客户服务交互和评估方法方面的研究成果，并在挑战中收到了来自 34 个团队的提交和结果。

Apr, 2023