EMNLPOct, 2023

持续化的通用意图发现：迈向动态和开放式意图识别

PDF
TL;DR通过原型引导的学习与重放和蒸馏方法，我们提出了一种连续的广义意图发现任务，旨在不断自动地从动态 OOD 数据流中发现 OOD 意图，并几乎不需要先前的数据将它们逐步添加到分类器中，从而朝着开放世界的动态意图识别迈进。
发现论文，激发创造
  • 广义意图发现：从开放世界对话系统中学习

    提出了一种新的任务 —— 广义意图发现（GID），旨在将传统的领域内意图分类器扩展到包括领域外意图在内的开放世界意图集。为未来的工作提出了基于管道和端对端两种框架，并构建了三个不同应用场景的公共数据集，通过详尽实验和定性分析，为未来 GID 研究提供了新的指导。

    Sep, 2022

  • 大型语言模型应用于开放领域意图发现和识别的评估：ChatGPT

    ChatGPT 对 OOD 意图探索和广义意图探索进行了全面评估，并概述了 ChatGPT 的优势和劣势。ChatGPT 在零样本设置下展现了一致的优势，但与微调模型相比仍处于劣势。通过一系列分析实验，我们总结和讨论了 LLM 面临的挑战，包括聚类、领域特定理解和跨领域情境学习场景。最后，我们提供了未来解决这些挑战的经验指导。

    Oct, 2023

  • 基于知识记忆原型的通用少样本意图检测的提示学习

    我们提出了一种基于类增量学习范式的广义少样本意图检测框架，通过阶段性学习以及原型的利用来同时对已见和新意图进行分类。通过两种不同的知识保留方法来实现不同阶段间的意图迁移，实验结果表明我们的框架具有良好的性能。

    Sep, 2023

  • 跨领域意图检测和意图发现的混合架构

    本文介绍了通过使用变分自编码器、非监督聚类等方法，解决了任务导向型对话系统中存在的 Out of Scope，Out of Domain 等输入识别问题，以及训练 Intent Detection 模型时的数据集标注问题。在英文和波斯语中的实验结果表明，我们的模型在同时实现 OOD/OOS 意图检测和意图发现方面取得了优异的性能效果，超越了基准线。

    Mar, 2023

  • 通过意图描述生成进行查询理解

    本文提出了 Query-to-Intent-Description (Q2ID) 任务，利用 Contrastive Generation 模型 CtrsGen 生成自然语言 intent 描述，以解决 IR 中的搜索理解问题，通过对多个基准数据集的比较验证了模型的有效性。

    Aug, 2020

  • 观察邻居：一种统一的 K 最近邻对比学习框架用于 OOD 意图发现

    本文提出了一种 K 最近邻对比学习框架，用于在任务导向式对话系统中发现 OOI，它具有两个阶段：IND 预训练和 OOD 聚类。实验结果表明，该方法在三个基准数据集上取得了超越现有技术的显着改进。

    Oct, 2022

  • 为广义目的发现解耦伪标签消歧和表示学习

    提出了一种解耦伪标签消除和表示学习的原型学习框架 (DPL)，并采用基于原型的标签消歧方法（PLD）和基于对比的原型表示学习（PCL）来获得鲁棒性更强的意图发现算法，实验证明方法在三个基准数据集上具有有效性。

    May, 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

  • 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

  • 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