IDAS：基于抽象摘要的意图发现
计算与语言
2023-06-01 v1
摘要
意图发现是从一组无标注话语中推断潜在意图的任务，是高效创建新对话代理的有用步骤。我们表明，近期意图发现中具有竞争力的办法，可以通过基于抽象摘要（即保留核心要素同时去除非必要信息的“标签”）对话语进行聚类而超越。我们提出 IDAS 方法，该方法通过提示一个大型语言模型（Large Language Model, LLM），从一组精心挑选的原型话语种子集出发，引导上下文学习（In-Context Learning）过程为非原型话语生成标签，从而收集一组描述性话语标签。随后，话语及其产生的带噪标签由冻结的预训练编码器编码，并进一步聚类以恢复潜在意图。在无监督任务（无任何意图标签）中，IDAS 在 Banking、StackOverflow 和 Transport 数据集上以标准聚类指标超越最先进（state-of-the-art, SOTA）方法至多 +7.42%。在半监督任务（仅对部分意图有标签）中，IDAS 在 CLINC 基准上超越两种近期方法，甚至未使用标注数据。
引用
@article{arxiv.2305.19783,
title = {IDAS: Intent Discovery with Abstractive Summarization},
author = {Maarten De Raedt and Fréderic Godin and Thomas Demeester and Chris Develder},
journal= {arXiv preprint arXiv:2305.19783},
year = {2023}
}
备注
The 5th Workshop on NLP for Conversational AI (NLP4ConvAI@ACL)