ACLMar, 2024

快速准确的意图识别的一致意图分类和澄清

PDF
TL;DR我们提出了一种名为 Conformal Intent Classification and Clarification (CICC) 的框架，用于快速准确地对任务导向式对话系统进行意图分类。该框架将任何意图分类器的启发式不确定性分数转化为一个包含真实意图的澄清问题，并且以预定义的置信水平提供保证。通过消除少量可能的意图之间的歧义，可以快速且准确地解决用户查询。此外，我们还提出了用于超范围检测的增强框架。通过对七个意图识别数据集进行比较评估，我们发现 CICC 生成的澄清问题较小且具有超范围检测功能。CICC 可在很大程度上帮助从业者和研究人员通过特定的澄清问题改善对话代理的用户体验。
conformal intent classificationclarificationintent classifiertask-oriented dialogue systemsout-of-scope detection
发现论文，激发创造
  • 目标导向对话系统的简单、快速、准确的意图分类和槽位标记

    本文探讨了利用自我注意力、卷积和循环模型进行语音理解的各种方法，提出了一种适用于工业环境的 “标签 - 循环” 模型，能够准确快速地进行意图分类和词条标注，同时在 Snips 数据集中实现了 30% 以上的误差降低。

    Mar, 2019

  • 通过检索有区别的澄清问题解决意图的歧义

    提出了一种生成 “区分性问题” 的新方法，以解决用户查询中的歧义，用于任务导向型对话系统中的意图检测，而无需昂贵的领域特定澄清问题的标注数据。

    Aug, 2020

  • ICC：用于多模态数据集策划的图像标题具体化量化

    我们提出了一种新的度量标准 —— 图像标题具体性，用于在多模态学习中评估无图像参考的标题文本的具体性和相关性，该方法利用强基模型衡量多模态表示中的视觉 - 语义信息损失，我们证明这与人类对单词和句子级文本具体性的评估强相关，同时我们展示出使用图像标题具体性进行筛选可以在资源受限环境中选择最高质量的样本，以进行高效训练。

    Mar, 2024

  • 超越研究数据集：工业场景下的新意图发现

    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

  • 面向开放领域对话中的答案选择的意图校准自训练

    本研究提出了一种称为 “意图校准的自训练”（ICAST）的新方法，利用伪意图标签来改进伪答案标签，在开放领域对话中为回答选择提供准确答案。经过广泛的实验后，结果表明 ICAST 在只有 1%、5% 和 10% 有标记数据的情况下均能比基线表现更好。

    Jul, 2023

  • CICLe：大规模多类食品风险分类的一致上下文学习

    污染或掺假食品对人类健康构成重大风险，我们提供了一个包含 7,546 个短文本的数据集，描述公共食品召回通知，通过机器学习和自然语言处理自动检测食品风险，并基于数据集进行了基于逻辑回归的 tf-idf 表示的模型性能比较，最终提出了一种基于 Conformal Prediction 的 LLM-in-the-loop 框架，提高基础分类器的性能，并降低了能源消耗。

    Mar, 2024

  • 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

  • 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

  • 意图分类系统中的领域自适应：一篇综述

    对话代理是 NLP 研究人员建立能够与人类自然语言进行交流的智能代理的长期目标。为了协助用户完成任务，这些系统应该能够轻松地从一个领域适应到另一个领域。本研究对意图分类的进展进行了系统回顾，描述了意图分类的难点，研究了领域适应的限制，并提出了未来工作的机会。

    Mar, 2024

  • 面向目标对话系统中意图分类和槽位标记对现实世界噪声的鲁棒性研究

    通过研究七种噪声类型对话系统中意图分类和槽位标记模型在真实环境中出现的问题，我们设计了一种增加数据的方法来提高模型性能，使得我们能够训练出一个在各种噪声现象下都具有鲁棒性的 IC/SL 模型。

    Apr, 2021