ACLMay, 2022

生成多个新意图检测的高质量数据点的框架

PDF
TL;DR本论文提出了一种基于聚类的框架 --MNID（多新意图检测），用于检测多个新出现的新意图，在人力预算有限的情况下更高效地重训练基础分类器，实验结果表明 MNID 在准确性和 F1 分数上优于基线方法。
novel intent detectionmachine learninghuman annotationcluster-based frameworknatural language processing
发现论文，激发创造
  • 基于新颖意图检测和主动学习的分类

    本文提出了一种名为 NIDAL 的方法来在跨多种不同语言的情景下，实现用更少的人工注释成本来检测新意图。实验证明该方法在各种基准数据集上皆表现优异，相较于基线方法缩小了 10% 以上的精度误差，且能够仅仅利用系统可用的未标注数据量的 6-10% 来维持识别成本。

    Feb, 2023

  • 走向真实场景：不平衡的新意图发现

    通过创建 ImbaNID-Bench 数据集，并提出了 ImbaNID 模型，本论文在协助探索和分类极度不平衡以及长尾分布中的用户意图方面表现出优越性，成为一种有潜力的基准模型。

    Jun, 2024

  • USNID：面向无监督和半监督的新意图发现框架

    提出了一种名为 USNID 的新框架，它通过三种主要技术实现了无监督半监督的新意图发现，包括利用无监督或半监督数据挖掘浅层语义相似性关系，设计一个质心引导的聚类机制以提供高质量的自我监督目标，以及通过最优化聚类级别和实例级别目标发现细粒度意图集群，该框架在多个意图基准数据集上表现出色，并在无监督和半监督新意图的发现方面取得了最新的最高成果，证明了在不同的聚类数下其鲁棒性表现良好

    Apr, 2023

  • 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

  • 从过去的对话中挖掘意图信息以供会话代理使用

    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

  • 跨语言口语数据意图检测

    本文提出了一种用于多语言和跨语言口语数据意图检测的系统性研究，对该研究所介绍的一个新资源（MInDS-14）进行了利用，证明使用机器翻译模型和最先进的多语言句子编码器相结合能够在大多数 MInDS-14 所涵盖的目标语言中产生强大的意图检测器，并提供了针对不同维度（如零 - shot 学习与有限 - shot 学习、翻译方向、语音识别的影响）的比较分析。我们认为这项工作是在比以往的工作更广泛的语言范围内开发和评估多语意图检测器的重要一步。

    Apr, 2021

  • IntenDD: 一种统一对比学习方法用于意图检测和发现

    使用对比学习策略和修改的吸附法模型，IntenDD 方法通过共享的话语编码骨干来实现任务导向的对话系统中对意图的识别，并在多个任务中实现了显著的性能提升。

    Oct, 2023

  • 文本话语中的新意图和领域的自动发现

    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

  • 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

  • 信息搜索对话中用户意图的分析与表征

    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