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

提出了一种名为 ADVIN 的用于自动发现大量未标记数据中的新领域和意图的框架，其采用开放式分类模型识别所有可能包含新意图的话语，使用成对边缘损失函数的知识转移部分以无监督的方式发现多个隐含意图类别并将其层次化链接成领域并形成意图 - 领域分类法，这显著优于三个基准数据集和商业语音驱动代理的实际用户话语。

May, 2020

本文提出一种基于依存结构和标签语义嵌入的多粒度标签精炼网络，利用图注意层介绍了句子的依存结构来增强句法表示，通过注意机制将任务特定的特征与相应的标签嵌入相结合捕获语法信息和任务标签之间的语义依赖关系。在两个公共数据集上的实验结果表明，我们的模型取得了竞争性能。

Sep, 2022

探索使用双向长短时记忆网络和 Transformer 网络在英语和希腊语上进行 ATIS 基准数据集的实体识别和意图分类任务中的效果并进行比较分析，结果表明使用这两种网络模型都可以得到高性能的结果。

Nov, 2022

自然语言处理领域的现代机器学习技术可用于自动生成目标导向对话系统的脚本。本文提出了一个研究自动生成目标导向对话系统脚本的通用框架，并描述了一种用于预处理 JSON 格式对话数据集的方法。比较了基于 BERTopic 和潜在狄利克雷分配的两种提取用户意图的方法，并比较了基于逻辑回归和 BERT transformer 模型的两种分类用户语句的算法实现。与其他方法相比，使用 bert-base-uncased 模型的 BERT transformer 方法在精确度（0.80），F1 分数（0.78）和马修斯相关系数（0.74）等三个指标上表现更好。

Dec, 2023

我们提出了一种新颖的三级联合自然语言理解方法，加入了领域信息，并在所有级别之间体现了语义信息的交换，从而使得我们的模型在多轮数据集上的单词级别的意图检测和插槽填充方面优于现有的联合模型，并且通过分析我们得出，包含领域信息可以提高模型的性能。

May, 2023

本文介绍了一种利用深度神经网络结构实现转移学习的方法，通过在已有的资源上进行最大限度的重用，扩展了常见商业代理的理解能力，显著提高了低资源场景下准确性，并显著缩短了模型开发时间。

May, 2018

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

本研究提出了一种基于神经网络的多任务学习的统一方法，包括口语语言理解中的领域、意向和槽位预测，通过输入编码和课程式训练等技术，显著提高了模型的性能。

Jan, 2018

本文提出了一种动态集成显式背景知识的 NLU 模型，使用通用阅读模块来读取背景知识，并经过实验验证其在文档问答和文本蕴涵等任务上取得了显著的效果。

Jun, 2017