Jan, 2022

利用对比学习的半监督聚类发现新意图

PDF
TL;DRDCSC 是一种半监督的文本聚类方法，可对话系统中的文本样本进行聚类，通过两阶段训练过程利用标记样本，取得最佳聚类性能，从而在文本归类方面取得了最佳性能。
dialogue systemsintent discoverysemi-supervised clusteringdeep contrastive semi-supervised clusteringtext grouping
发现论文，激发创造
  • 基于多阶段粗 - 细对比学习的对话意图识别

    本文提出了一个多阶段的粗到细对比学习模型训练方案，用于联合对比学习和聚类在任务导向的对话中识别意图，该方法在 DSTC11 跟踪 2 评估结果中排名第一。

    Mar, 2023

  • 使用预训练和对比学习进行新意图发现

    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

  • 用对比学习支持聚类

    该论文提出了 SCCL 框架，使用对比学习来帮助无监督聚类，有效提升类别间距离，进而在短文本聚类中达到更好的结果。研究表明，SCCL 能够显著提高精度和归一化互信息，同时有效结合自下而上的实例判别和自上而下的聚类来实现更好的聚类效果。

    Mar, 2021

  • 通过深度对齐聚类发现新意图

    该论文提出了一种基于少量先前标记样本预训练模型来发现新意图、使用 k - 均值产生伪标签、并提出了一种对齐策略来解决聚类分配过程中标签不一致问题的方法，最终在众多测试中表现更为鲁棒且优于现有方法。

    Dec, 2020

  • 通过基于密度的深度聚类集成实现对话意图归纳

    本文提出基于密度的深度聚类集成方法（DDCE）进行对话意图诱导，相比于 K-means 方法，该方法更加有效，能够处理存在大量异常值的真实场景。在七个数据集上的实验结果表明，相较于其他最先进的基线方法，我们的方法显著优于其他

    Jan, 2022

  • 语义对比学习的深度聚类

    本文提出了一种语义对比学习的方法（SCL），将距离的聚类结构引入到无标注数据的特征空间中，并通过优化实例视觉相似性和聚类决策边界的一致性来推理出语义上的实体类别，以在发现未知类别决策边界方面具有显着优势。实验证明，SCL 在六个物体识别基准测试中优于最先进的对比学习和深度聚类方法，尤其是在更具挑战性的精细和较大的数据集上。

    Mar, 2021

  • 半监督式对比学习中的新闻话语建模

    通过利用新闻报道的独特结构特征，我们提出了一种被称为 Intra-document Contrastive Learning with Distillation (ICLD) 的新方法，用于处理新闻话语分析任务，并首次在该任务范式中应用了半监督方法，评估结果显示该方法的有效性。

    Sep, 2023

  • 语义特征引导下的深度对比多视图聚类

    通过对视图重要性进行融合，并通过聚类级对比学习和语义特征度量来减弱假阴性对之间的对比学习，我们提出了一个名为 DCMCS 的多视图聚类框架，用于减轻假阴性对的影响。实验结果表明，该框架优于现有方法。

    Mar, 2024

  • 超越研究数据集：工业场景下的新意图发现

    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

  • 半监督学习与粗细意图检测探索客户服务对话系统

    本研究基于师生范式构建了一个弱监督数据集，整合粗细分类策略实现用户意图检测，实验表明，基于此方法的模块化对话系统能够以更高的成功率实现任务目标并生成更连贯的响应。

    Dec, 2022