探索描述增强型无数据意图分类

本文介绍了几种利用描述增强型嵌入相似性进行无数据意图分类的方法，以当前状态的最佳文本嵌入模型为基础。我们报告了在四个常用意图分类数据集上使用我们方法的结果，并与此类先前工作进行比较。我们的工作显示，针对大量未见意图的无数据分类具有前景。我们在保持不使用标记或任务特定数据的情况下，实现了与强大零样本基线相当的成绩，并实现了显著的提升（平均提升 6.12%）。此外，我们提供了对该方法性失误的定性分析，以帮助指导该领域未来的研究。