ACLMay, 2023

超越研究数据集：工业场景下的新意图发现

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 面向对话文本的开放意图发现

    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

  • 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

  • 通过受限深度自适应聚类和聚类细化发现新意图

    本文提出了一种基于深度学习的约束自适应聚类方法 CDAC+，可以自然地将成对约束作为先验知识来指导聚类过程，并通过高置信度的分配进行聚类细化，消除对聚类数的敏感性，实现了在三个基准数据集上的显著性能提升。

    Nov, 2019

  • HINT3: 提升野外意图检测的标准

    介绍了 3 个从不同领域的实时聊天机器人获取的数据集，用于评估意图检测系统。研究发现，现有的数据集往往是通过众包方式获得，为解决此问题，作者提出了使用真实用户查询构建数据集的方法，并验证了 4 个 NLU 平台和一个基于 BERT 的分类器在测试集上的表现。

    Sep, 2020

  • 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

  • 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

  • 利用可提取问答变换器构建实际谈话语料库的意图模式

    本研究提出了一种无监督的自动化 pipeline，基于问答模型和聚类方法，能够从真实的对话数据中抽取意图并建立意图分组分类体系，验证结果表明该方法能够解决自然语言理解中的意图识别问题，实现了超过 85% 的区分准确度。

    Aug, 2022

  • 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