本研究提出了LANID框架，旨在解决任务导向对话系统中新意图发现的挑战。该框架通过大型语言模型增强意图发现编码器的语义表示，实验结果表明其在多个数据集上超越了强基准，显示出显著的有效性。

本研究提出了一种新方法，利用大型语言模型（LLM）优化对话意图聚类，解决传统文本聚类与人类感知不匹配的问题。经过验证，精调的LLM在语义连贯性和聚类命名上表现优越，意图发现的应用效果显著，定量指标提高6.25%，应用层面性能提升12%。

本文介绍了多种新方法用于无监督和半监督的新意图发现，包括USNID框架、MNID、IDA和NIDAL等。这些方法利用聚类、对比学习和伪标签生成等技术，显著提升了意图检测的准确性和鲁棒性，尤其在资源有限的情况下表现优异。实验结果表明，这些方法在多个基准数据集上均优于现有技术。

USNID是一种新的框架，通过三种主要技术实现了无监督半监督的新意图发现。该框架在多个意图基准数据集上表现出色，并在无监督和半监督新意图的发现方面取得了最新的最高成果。