已知意图，新组合：基于子句-因子化解码的组合多意图检测

多意图检测论文通常询问模型能否从单个 utterance 中恢复多个意图。我们提出一个更具挑战性且更贴合实际部署需求的问题：模型能否恢复熟悉意图的新组合？现有基准测试因 train 和 test 常共享相同广泛的共现模式而只能弱测试这一能力。我们引入 CoMIX-Shift，一个通过保持-out 意图对、话语模式迁移、更长且更嘈杂的包装、保持-out 子句模板以及零样本三元组来压制组合泛化的多意图检测控制基准。我们还提出 ClauseCompose，一个仅基于单一意图训练的轻量级解码器，并将其与整句 baseline 进行比较，包括微调的 tiny BERT 模型。在三个随机种子下，ClauseCompose 在未见意图对上达到 95.7 的 exact match，话语迁移对上达 93.9，更长/更嘈杂对上达 62.5，保持-out 模板上达 49.8，未见三元组上达 91.1。WholeMultiLabel 分别达到 81.4、55.7、18.8、15.5 和 0.0；BERT baseline 分别达到 91.5、77.6、48.9、11.0 和 0.0。我们还添加了一个包含 240 条人工编写的类 SNIPS 风格组合数据集，其中五对保持-out；该数据集上，ClauseCompose 在保持-out 意图对上达到 97.5 的 exact match，连接器迁移下达 86.7，而 WholeMultiLabel 分别为 41.3 和 10.4。结果表明，多意图检测需要更深入的组合评估，而且一旦评估提出要求，简单的因子化技术效果惊人。