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

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

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

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

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

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

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。

May, 2023

本文提出了一种对于细粒度、语义相似的意图进行 Few-shot 检测的方案，使用了对比自监督预训练和有监督对比学习的组合方式，在三种不同的具有挑战性的 Few-shot 意图检测数据集上实验，获得了最先进的表现。

Sep, 2021

本文探讨了无监督方法来克服任务导向对话结构设计的基本挑战：为每个对话轮分配意图标签（意图聚类）和生成一组基于意图聚类方法的意图（意图归纳），并且通过比较不同的 clustering 算法和嵌入方法，表明对于意图归纳任务，应当仔细考虑句子嵌入和聚类方法的组合选择，同时 MiniLM 和聚合聚类结构在意图归纳任务中显示出显著的性能提升。

Dec, 2022

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