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

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

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

本研究提出了一种新的基于自动语音识别的端到端 S2I（语音转目的）模型，以解决语音客服系统中传统基于多组件管道的模型构建过程中所面临的挑战，实验结果表明，新模型的 F1 得分相对提高了约 27%。

Oct, 2022

本文探讨了利用自我注意力、卷积和循环模型进行语音理解的各种方法，提出了一种适用于工业环境的 “标签 - 循环” 模型，能够准确快速地进行意图分类和词条标注，同时在 Snips 数据集中实现了 30% 以上的误差降低。

Mar, 2019

本文研究了对话推荐系统中的最近工作，并介绍了一种将上下文化的输入与学习模型联系起来以支持意图识别的方法，使用 transformer 基础模型在数据集 MSDialogue 上进行了性能评估。

Dec, 2022

本文提出一种在实时协作的条件下，结合人工支持代理和 AI 代理机器学习技术来满意地回答客户的查询的系统解决方案。

Jan, 2023

本文提出了一种流式端到端框架，采用单向 RNN 和 CTC 标准进行训练，可以在线和增量地处理多个意图，实现了与最先进的非流式模型相当的精度，并在关键词检测任务中表现出高度的前途。

May, 2021

该研究提出了全双工对话系统，结合多模态识别和半监督学习，实现多轮人机对话交互，该系统在阿里巴巴智能客服中的 A/B 测试中表现出 50％响应延迟的显著降低。

May, 2022

本文描述了一个使用 Kaldi 框架的语音文本处理方法，在不同的语义标记方法中选择组合机器学习模型，并使用决策树进行标记的实验。结果表明，该方法提供了更好的性能和更可解释的模型，对数据准备的复杂性做出了改进，能够对联系中心的运营产生潜在影响。

Mar, 2022