基于指针网络的多标签多类别意图联合提取与检测方法

本研究评估了多语言环境下的意图识别模型，旨在找到最适合Code Mix话语意图识别的方案。

研究结果在Code Mix和英汉混合语数据集上得到了验证，提出了利用预训练双句编码器的意图检测方法。

该方法在少样本学习场景下表现稳定且具普适性，能够快速训练并保持超参数稳定性。

研究团队发布了包含13,083个标注样本的77种意图的数据集。

提出了一种系统性研究，结合机器翻译模型和多语言句子编码器，提升了意图检测性能。

研究提出了新的神经网络Global-Local模型，显著提高了多意图分类任务的性能。

通过多任务预训练和对比损失优化聚类，提出了一种新的意图发现方法，优于现有方法。

PromptSLU框架将意图检测和槽位填充统一为同一形式，实验结果优于现有模型。

MULTI3NLU++数据集扩展了NLU++数据集，支持多语言和领域的自然语言理解。

IntenDD方法通过对比学习策略实现了任务导向对话系统中的意图识别，显著提升了性能。

研究强调了对多意图检测领域的重新审视的必要性，揭示了现有模型在新数据集上的困难。