New Intent Discovery with Attracting and Dispersing Prototype

新意图发现（NID）旨在利用有限标记和大规模未标记数据识别已知和推断新的意图类别。该任务被视为特征聚类问题，最近的研究增强了实例表示。然而，现有方法未能捕捉到友好聚类表示，因为它们显示出较少的能力来有效地控制和协调群内和群间距离。为了适应NID问题，我们提出了一个鲁棒和自适应原型学习（RAP）框架，用于全局独特的决策边界，适用于已知和新的意图类别。具体而言，设计了一种鲁棒的原型吸引学习（RPAL）方法，以迫使实例向其对应的原型聚集，实现更大的群内紧凑性。为了获得更大的群间分离，还设计了另一种自适应原型扩散学习（APDL）方法，以从原型到原型的角度最大化群间距离。在三个具有挑战性的基准测试（CLINC、银行和StackOverflow）上评估我们的方法的实验结果表明，具有更好友好聚类表示的RAP相比当前最先进的方法（甚至是大型语言模型）带来了显着的改进（平均+5.5%的改进）。

本论文旨在解决新意图发现（NID）问题，即如何在有限标记和大规模未标记数据的帮助下识别已知和推断新的意图类别。

该论文提出了一个Robust and Adaptive Prototypical learning (RAP)框架，通过设计鲁棒的原型吸引学习（RPAL）方法和自适应原型扩散学习（APDL）方法，实现全局不同的决策边界，以更好地控制和协调簇内和簇间距离，从而提高簇友好的表示能力。

论文在CLINC、BANKING和StackOverflow三个具有挑战性的基准测试上进行了实验，证明了RAP相比当前最先进的方法（甚至是大型语言模型）具有更好的簇友好表示能力，平均提高了5.5%。

最近的相关研究包括《A Comprehensive Survey on Intent Recognition》和《Deep learning for chatbots》等。