本文提出了一种可扩展且自动的方法，通过利用隐式用户反馈来改进大规模对话 AI 系统中的自然语言理解 (NLU)。我们基于用户交互数据和对话上下文，提出了一个通用的领域无关框架，以改进来自生产流量的 NLU 新监督数据。通过广泛的实验，我们展示了应用该框架并改进大规模生产系统中的 NLU 的结果，并展示了其在 10 个领域的影响。

Oct, 2020

展示了一个基于 BERT 模型的 Intent Bulk Labeling 系统，通过使用先进的聚类和可视化标注方法，与数据增强技术相结合，提高了 SDS 模型的意图和分类准确度达到超过 10% 的效果。同时，该系统还可从聚类模型提取话语嵌入并以交互方式进行批量标记，减少了数据标注的时间和精力消耗。

Apr, 2021

研究了一个新的多任务 NLU 结构在小型领域游戏数据集上进行意图识别的表现，发现相比基线方法，Dual Intent and Entity Transformer (DIET) 架构在野外数据上具有较强的鲁棒性。

May, 2022

本研究构建了一个以用户为中心的对话系统，通过将用户意愿建模为对系统本体的估计分布，并将用户话语映射到这些分布中，学习从用户话语到本体上的映射存在新的问题和挑战，为此，我们建立了一个名为 NUANCED 的新数据集，并展示了我们的问题建模的有用性和挑战。

Oct, 2020

本文针对任务导向的对话系统中的意图识别和参数标记存在的过度敏感问题，介绍了构建对抗性测试集和采用对抗性训练方法和数据增强来提高模型健壮性的解决方案。实验结果表明，这些技术的组合能显著提高系统的健壮性。

Nov, 2019

本文介绍了一种使用深度循环神经网络及其逐步训练实现的自然语言理解和系统动作预测联合模型，在多领域人机对话中验证了该模型的性能显著优于现有模型。

Dec, 2016

本论文提出了一种新颖的基于改写的 SLU 模型，结合 RNN 和序列到序列的神经网络提出了两个改写生成器，并证明了模型对罕见和复杂的改写话语具有鲁棒性。

Sep, 2018

比较了不同的 NLU 工具在多个领域中的性能，结果表明在意图分类方面 Watson 表现最佳，而在实体类型识别方面表现不佳。

Mar, 2019

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

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