基于吸引与分散原型的新意图发现
计算与语言
2024-03-26 v1
摘要
新意图发现（New Intent Discovery, NID）旨在借助少量标注数据和大规模未标注数据，识别已知意图类别并推断新意图类别。该任务被作为特征聚类问题处理，近期的研究致力于增强实例表示。然而，现有方法未能捕获聚类友好的表示，因为它们在有效控制和协调簇内与簇间距离方面能力不足。针对 NID 问题，我们提出了一种鲁棒自适应原型学习框架，旨在为已知和新意图类别构建全局区分性的决策边界。具体而言，设计了一种鲁棒原型吸引学习方法，迫使实例向其对应原型靠拢，以实现更大的簇内紧凑性。为了获得更大的簇间分离，设计了另一种自适应原型分散学习方法，从原型到原型的视角最大化簇间距离。在三个具有挑战性的基准（CLINC、BANKING 和 StackOverflow）上的实验结果表明，我们的方法具有更好的聚类友好表示，与当前最先进方法（甚至大语言模型）相比，RAP 带来了显著的改进（平均提升 +5.5%）。
引用
@article{arxiv.2403.16913,
title = {New Intent Discovery with Attracting and Dispersing Prototype},
author = {Shun Zhang and Jian Yang and Jiaqi Bai and Chaoran Yan and Tongliang Li and Zhao Yan and Zhoujun Li},
journal= {arXiv preprint arXiv:2403.16913},
year = {2024}
}
备注
COLING 2024