COLINGMar, 2024

吸引和分散原型的新意图发现

PDF
TL;DR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。
new intent discovery (nid)feature-clustering problemrobust and adaptive prototypical learning (rap) frameworkwithin-cluster compactnessbetween-cluster separation
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

  • USNID：面向无监督和半监督的新意图发现框架

    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

    Apr, 2023

  • 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

  • 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

  • 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

  • 持续化的通用意图发现：迈向动态和开放式意图识别

    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。

    Oct, 2023

  • 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

  • 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

  • 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