Apr, 2023

USNID：面向无监督和半监督的新意图发现框架

PDF
TL;DR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
intent discoverynatural language processingunsupervised learningsemi-supervised learningclustering
发现论文，激发创造
  • RoNID: 生成可靠标签和聚类友好表示的新意图发现

    通过 EM-style 方法，我们提出了一个 Robust New Intent Discovery（RoNID）框架，该框架致力于解决当前方法中存在的关于伪标签不准确和表示学习差的问题，并通过可靠的伪标签生成模块和友好的聚类表示学习模块构建具有可靠伪标签和友好聚类表示的稳健模型。

    Apr, 2024

  • 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

  • 生成多个新意图检测的高质量数据点的框架

    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。

    May, 2022

  • 一个基于扩散加权图的新意图发现框架

    通过使用 Diffusion Weighted Graph Framework，本研究提出了一种新的方法来识别未标记的数据中的新意图，以及有效传递预训练知识。实验证明，该方法在多个基准数据集上表现优于现有模型。

    Oct, 2023

  • 吸引和分散原型的新意图发现

    新意图发现（NID）通过有限标记和大规模未标记数据的帮助，旨在识别已知意图并推断出新的意图类别。针对这个任务，我们提出了一个旨在实现全球不同决策边界的鲁棒自适应典型学习（RAP）框架，以解决现有方法在捕捉群集友好的表示方面的问题。

    Mar, 2024

  • IDAS: 使用抽象摘要发现意图

    通过使用抽象摘要信息对话句子聚类，以发现隐含意图。本文提出了一种 IDAS 方法，利用大型语言模型来生成摘要标签，无监督任务中性能最先进。

    May, 2023

  • 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

  • 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

  • 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

  • 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