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

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

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

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

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

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

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

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

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