Intent Identification and Entity Extraction for Healthcare Queries in Indic Languages
IIT Kharagpur（印度理工学院卡哈拉格普尔分校）；University of Maryland, College Park（马里兰大学帕克分校）；Carnegie Mellon University（卡内基梅隆大学）
在印度等发展中国家，资源匮乏的语言的数据稀缺和技术限制对医疗保健领域复杂的NLU系统的发展构成了威胁。为了评估医疗保健领域各种最先进的语言模型的现状，本文首先提出了两个不同的医疗保健数据集，Indian Healthcare Query Intent-WebMD和1 mg（IHQID-WebMD和IHQID-1 mg）和一个真实世界的印度医院查询数据（英语和多种印度语言）（印地语、孟加拉语、泰米尔语、泰卢固语、马拉地语和古吉拉特语），它们用查询意图和实体进行注释。我们的目标是检测查询意图并提取相应的实体。我们进行了广泛的实验，一组模型在各种现实的设置和探索两种情况下的基础上访问英语数据（成本较低）和访问目标语言数据（更昂贵）。通过实证分析，我们分析了具体的实际相关性。结果，表示在整体F1分数方面表明，我们的方法是实际有用的，以确定意图和实体。
2023-02-19 cs.CL cs.IR
User Intent Inference for Web Search and Conversational Agents
Emory University（埃默里大学）
用户意图理解是设计会话代理和搜索引擎的关键步骤。检测或推断用户意图是具有挑战性的，因为用户话语或查询可能是简短的、模糊的并且依赖于上下文。针对这些研究挑战，本文的研究工作主要集中在：1）会话主体的话语主题和意图分类; 2）Web搜索引擎的查询意图挖掘和分类，主要针对电子商务领域。为了解决第一个问题，我提出了新的模型，将实体信息和会话上下文线索，以预测用户的话语的主题和意图。对于第二个研究主题，我计划将现有的Web搜索意图预测方法扩展到电子商务领域，通过：1）开发一个联合学习模型来预测搜索查询的意图和与之相关的产品类别，2）发现新的隐藏用户的意图。所有的模型都将在一个主要的电子商务网站搜索引擎的真实查询上进行评估。来自这些研究的结果可以被利用来提高各种任务的性能，诸如自然语言理解、查询范围确定、查询建议和排名，从而产生丰富的用户体验。
2020-07-08 cs.CL cs.IR
Beyond Facts: Evaluating Intent Hallucination in Large Language Models
Emory University（埃默里大学）；UIUC（伊利诺伊大学）
本文提出意图幻觉概念与包含20,068题的FAITHQA基准，覆盖仅查询和RAG场景，揭示LLM因遗漏或误解条件而产生意图幻觉，并推出更贴近人工判断的CONSTRAINT SCORE自动评估指标。
2025-06-06 cs.AI cs.CL
Disentangling Questions from Query Generation for Task-Adaptive Retrieval
Seoul National University（首尔大学）
本文提出EGG查询生成器，将高级搜索意图编译为任务自适应查询，在BeIR基准上以更小模型超越基线，证明显式意图指导是关键。
2024-09-25 cs.CL
Differentiable Retrieval Augmentation via Generative Language Modeling for E-commerce Query Intent Classification
针对检索器与下游模型异步训练导致的性能下降问题，提出可微检索增强方法Dragan，通过可微重构实现端到端联合训练，在电商查询意图分类的离线与在线实验中均显著优于基线。
2023-09-15 cs.CL cs.IR
Towards an Understanding of Entity-Oriented Search Intents
University of Stavanger（斯塔万格大学）
面向智能的搜索处理各种各样的信息需求，从显示直接答案到与服务交互。在这项工作中，我们的目标是了解什么是突出的面向实体的搜索意图，以及如何实现它们。我们开发了一个实体意图类别的方案，并使用它们来注释查询的样本。具体来说，我们在实体类型级别上注释唯一的查询细化器。我们观察到，平均而言，超过一半的精炼者寻求与服务交互，而超过四分之一的精炼者搜索可以在知识库中查找的信息。
2018-02-22 cs.AI cs.CL cs.IR
ConQX: Semantic Expansion of Spoken Queries for Intent Detection based on Conditioned Text Generation
Aselsan Research Center（阿塞尔桑研究中心）
语音查询的意图检测是一项具有挑战性的任务，由于其嘈杂的结构和短的长度。为了提供更多的信息，查询和提高性能的意图检测，我们提出了一种方法的语义扩展口语查询，称为ConQX，它利用了文本生成能力的自回归语言模型，GPT-2。为了避免偏离主题的文本生成，我们的条件输入查询的结构化上下文提示挖掘。然后我们应用zero-shot、one-shot和少样本学习。最后，我们使用扩展的查询来微调BERT和RoBERTa的意图检测。实验结果表明，我们的语义扩展方法可以提高意图检测的性能。
2021-09-02 cs.AI cs.CL
OnePred: Next-Query Prediction via Recursive Intent Memory in Multi-Turn Conversations
Tsinghua University（清华大学）；Qwen Applications Business Group of Alibaba（阿里巴巴Qwen应用业务组）
针对多轮对话中下一个查询预测任务，提出OnePred模型，通过递归更新的意图记忆代替完整历史，结合两阶段强化学习训练，在NQP-Bench基准上实现高达22倍的每轮token节省且预测质量优于所有基线。
2026-08-04 cs.AI cs.CL
5IDER: Unified Query Rewriting for Steering, Intent Carryover, Disfluencies, Entity Carryover and Repair
Apple（苹果公司）
本文提出非自回归查询改写架构5IDER，统一处理转向、意图延续、不流利、实体延续和修复五类多轮对话用例及其组合，在参数量少15倍、延迟快25倍的情况下优于微调T5模型。
2023-06-02 cs.AI cs.CL cs.LG
Can Synthetic Query Rewrites Capture User Intent Better than Humans in Retrieval-Augmented Generation?
本文提出合成数据驱动的查询重写模型 SynRewrite，利用 GPT-4o 生成训练数据、微调 Flan-T5 并结合 DPO 优化，在检索与生成任务上超越人工重写。
2025-09-26 cs.CL cs.IR
QUILL: Query Intent with Large Language Models using Retrieval Augmentation and Multi-stage Distillation
Google Research（谷歌研究院）；Google（谷歌）
大语言模型（LLM）在各种文本理解任务上显示出令人印象深刻的结果。然而，搜索查询却构成了一个独特的挑战，因为它们的长度很短，缺乏细微差别或上下文。复杂的特征工程工作并不总是导致下游的改进，因为它们的性能优势可能会被知识蒸馏的复杂性增加所抵消。因此，在本文中，我们做出了以下贡献：（1）我们证明了检索增强查询提供LLM有价值的额外的上下文，从而提高理解。虽然检索增强通常会增加LM的延迟（从而损害蒸馏效率），（2）我们提供了一种实用且有效的蒸馏检索增强LLM的方法。具体来说，我们使用了一种新的两阶段蒸馏方法，使我们能够进行检索增强的收益，而不会遭受通常与之相关的计算增加。（3）我们证明了所提出的方法（QUILL）的好处在十亿规模，现实世界的查询理解系统，从而产生巨大的收益。通过广泛的实验，包括公共基准测试，我们相信这项工作提供了一个实用的检索增强查询理解的配方。
2022-10-27 cs.CL cs.IR
REVISION:Reflective Intent Mining and Online Reasoning Auxiliary for E-commerce Visual Search System Optimization
提出REVISION框架，通过整合离线推理挖掘与在线决策，优化电商视觉搜索系统，提升意图挖掘效率并降低无点击率。
2026-03-04 cs.AI cs.CL cs.IR
Multi-Task Learning of Query Intent and Named Entities using Transfer Learning
Target Corporation（塔吉特公司）；AI Sciences（AI科学部门）
命名实体识别（NER）已被广泛研究，早期的算法是基于序列标记的，如隐马尔可夫模型（HMM）和条件随机场（CRF）。随后是基于神经网络的深度学习模型。最近，BERT在序列标记任务（如NER）中显示了新的最新水平的准确性。在这篇简短的文章中，我们研究了不同的方法来特定于任务的NER。任务特定的NER有两个组成部分-识别一段文本的意图（如搜索查询），然后用任务特定的命名实体标记查询。例如，我们考虑在搜索查询中标记Target商店位置的任务（可以在搜索框中输入或在Alexa或Google Home等设备中说出）。商店的位置是非常模糊的，有时很难区分，比如说一个位置和一个非位置。例如，“pickup my order at orange store”将“orange”作为商店位置，而“buy orange at target”将“orange”作为水果。我们通过多任务学习来探索这个困难，我们称之为全球到本地的信息转移。我们共同学习查询意图（即存储查找）和命名实体，通过使用多个损失函数在我们的BERT为基础的模型，并找到有趣的结果。
2021-04-28 cs.CL cs.LG
Generic Intent Representation in Web Search
Microsoft AI & Research（微软人工智能与研究院）
本文提出了一种通用的意图编码器（GEN编码器），它学习一个分布式的表示空间的用户意图在搜索。利用Bing搜索日志中的大规模用户点击作为对用户意图的弱监督，GEN Encoder学会将具有共享点击的查询映射到类似的端到端嵌入，然后对多个释义任务进行微调。一个内在的评估任务的实验结果-查询意图相似性建模-证明GEN编码器的强大和显着的优势，比以前的表示方法。消融研究揭示了从内隐用户反馈中学习在表征用户意图中的关键作用，以及多任务学习在表征一般性中的贡献。我们还证明了GEN Encoder通过使用有效的近似最近邻搜索来有效地识别具有相同搜索意图的先前查询，从而提高了尾部搜索流量的稀疏性，并减少了一半的未见过查询。最后，我们证明了GEN编码之间的距离反映了搜索会话中的某些信息寻求行为。
2019-07-24 cs.CL cs.IR
A Semi-supervised Multi-channel Graph Convolutional Network for Query Classification in E-commerce
针对电商查询分类中点击后验标签导致的类别不平衡与标签不稳定问题，本文提出半监督多通道图卷积网络SMGCN，融合查询-类别相似度及类别共现、语义图，并通过离线与在线A/B实验验证其优越效果。
2024-08-04 cs.AI cs.CL cs.IR
Shareable Representations for Search Query Understanding
Amazon Search Science and AI（亚马逊搜索科学与人工智能部门）
了解搜索查询对于购物搜索引擎提供满意的客户体验至关重要。流行的购物搜索引擎每年接收数十亿个独特的查询，每个查询都可以描述数百个用户偏好或意图中的任何一个。为了得到正确的结果给客户，它必须是已知的查询，如“便宜的舞会礼服”不仅是为了表面的结果，一定的产品类型，但也产品具有较低的价格。被称为查询意图，示例还包括对作者、品牌、年龄组的偏好，或者仅仅是对客户服务的需求。最近的工作，如BERT已经证明了一个大型Transformer编码器架构的成功，该架构具有对各种NLP任务进行语言模型预训练的能力。我们适应这样的架构来学习搜索查询的意图，并描述方法来解释搜索查询数据的噪声和稀疏性。我们还描述了在具有低延迟要求的上下文中托管Transformer编码器模型的成本有效的方法。通过正确的特定于领域的训练，我们可以构建一个可共享的深度学习模型，其内部表示可以重用于各种查询理解任务，包括查询意图识别。模型共享允许在推理时需要更少的大型模型，并提供了一个平台来快速构建和转出新的搜索查询分类器。
2019-12-20 cs.CL cs.IR cs.LG
Generate-then-Retrieve: Intent-Aware FAQ Retrieval in Product Search
Amazon.com, Inc.（亚马逊公司）
针对商品搜索中的信息寻求查询，提出由意图分类器和查询改写模型组成的意图感知 FAQ 检索系统，显著提升准确率、降低延迟并获得用户正向反馈。
2023-06-06 cs.AI cs.CL cs.IR
When Does Streaming Tool Use Help? Characterizing Tool-Intent Stabilization in Streaming Retrieval-Augmented Generation
SMG Labs（SMG实验室）
通过测量工具意图稳定化（即推测查询收敛到答案的时间点），在CRAG基准上分析流式RAG的延迟隐藏效果，发现73.9%的查询可实现显著延迟隐藏，并识别早期与晚期稳定化的预测因素。
2026-06-23 cs.CL cs.IR
Leveraging LLM-Assisted Query Understanding for Live Retrieval-Augmented Generation
Renmin University of China（中国人民大学）
本文提出 Omni-RAG 框架，通过 LLM 辅助的查询理解模块（查询去噪与分解、意图感知检索、重排序与生成），提升实时 RAG 系统处理含噪及多意图查询的鲁棒性。
2025-06-26 cs.AI cs.CL cs.IR
Predicting user intent from search queries using both CNNs and RNNs
MorphL
预测用户在网站上的行为是一项困难的任务，这需要整合多个信息源，例如地理位置、用户简档或网上冲浪历史。在本文中，我们解决了预测用户意图的问题，基于用于访问某个网页的查询。我们不做任何额外的假设，例如域检测，使用的设备或位置，并且只使用嵌入在给定查询中的单词信息。为了构建有竞争力的分类器，我们标记了EDI查询意图预测数据集\cite{edi-challenge-dataset}的一小部分，该数据集用作基础事实。然后，使用各种基于规则的方法，我们自动标记数据集的其余部分，训练分类器，并评估地面真实数据集上自动标记的质量。我们使用递归和卷积网络作为模型，同时使用多种嵌入方法表示查询中的单词。
2018-12-18 cs.CL
Respond Beyond Language: A Benchmark for Video Generation in Response to Realistic User Intents
School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学北京校区人工智能学院）；Serendipity One Inc.（Serendipity One公司）
本文提出基准 RealVideoQuest，从真实用户查询中构建查询-视频对并设计多角度评估系统，用于评估文本到视频模型回答视觉接地问题的能力，揭示现有多模态模型的不足与未来研究方向。
2025-06-02 cs.AI cs.CL
Semantic Equivalence of e-Commerce Queries
Ebay Inc.（易趣公司）
本文提出一个结合表面规范化和历史行为相似性的框架，用于识别电子商务查询的语义等价性，并通过离线训练与在线最近邻方法在查询相似性上达到0.85的Pearson相关系数，优于主流句子变换器模型。
2023-08-07 cs.CL cs.IR cs.LG
Understanding Inter-Session Intentions via Complex Logical Reasoning
HKUST（香港科技大学）；Amazon.com Inc（亚马逊公司）
本文提出逻辑会话复杂查询回答（LS-CQA）任务，将跨会话复杂意图建模为超图上的逻辑查询，并设计 LSGT 模型，在三个数据集上取得最先进结果。
2024-06-14 cs.AI cs.CL
Generating Query Suggestions to Support Task-Based Search
University of Stavanger（斯塔万格大学）
我们解决的问题，生成查询建议，以支持用户完成他们的底层任务（这促使他们搜索摆在首位）。给定一个初始查询，这些查询建议应该提供用户可能正在寻找的可能子任务的覆盖范围。我们提出了一个概率建模框架，从多个来源获得关键词，并从这些关键词生成查询建议。使用TREC任务跟踪的测试套件，我们评估和分析模型的每个组件。
2017-08-28 cs.AI cs.CL cs.IR
An Evaluation Dataset for Intent Classification and Out-of-Scope Prediction
Clinc, Inc.（Clinc公司）
面向任务的对话系统需要知道查询何时超出其支持的意图范围，但当前的文本分类语料库只定义了覆盖每个示例的标签集。我们引入了一个新的数据集，其中包括范围外的查询-即，不属于系统支持的任何意图的查询。这带来了新的挑战，因为模型不能假设推理时的每个查询都属于系统支持的意图类。我们的数据集还涵盖了10个领域的150个意图类，涵盖了面向生产任务的代理必须处理的广度。我们在我们的数据集上评估了一系列基准分类器以及几种不同的范围外识别方案。我们发现，虽然分类器在范围内的意图分类上表现良好，但它们很难识别范围外的查询。我们的数据集和评估填补了该领域的一个重要空白，提供了一种在任务驱动的对话系统中更严格、更现实地对文本分类进行基准测试的方法。
2019-09-04 cs.AI cs.CL cs.LG
EComAgentBench: Benchmarking Shopping Agents on Long-Horizon Tasks with Distributed Hidden Intent
Shopee
提出EComAgentBench基准，包含662个基于真实亚马逊产品的任务，要求代理在100次工具调用内从可见查询、工具门控配置文件和脚本化澄清中挖掘隐藏意图，验证候选产品并提交最终选择，通过类型化源标签评分归因失败。
2026-09-03 cs.AI cs.CL
Agentic Search in the Wild: Intents and Trajectory Dynamics from 14M+ Real Search Requests
Carnegie Mellon University Pittsburgh PA US；INESC-ID, Carnegie Mellon University Pittsburgh PA US；INESC-ID, Instituto Superior T\'ecnico, University of Lisbon Lisbon Portugal；NOVA LINCS\ University Lisbon Caparica Portugal；Carnegie Mellon University；INESC-ID, Carnegie Mellon University；INESC-ID, Instituto Superior T\'ecnico, University of Lisbon；NOVA LINCS\ University Lisbon
本文分析了1400万次真实搜索请求，揭示了代理搜索会话中的行为模式，包括步骤数、时间间隔及查询重构的可追溯性，为重复敏感停止和意图适应检索预算提供信号。
2026-04-28 cs.CL cs.IR
Translating Web Search Queries into Natural Language Questions
AI & Research, Microsoft（微软人工智能与研究部门）
用户经常查询一个搜索引擎与一个特定的问题，在头脑中，这些查询往往是关键字或子序列片段。例如，如果用户想知道“美国的首都是什么”的答案，他们很可能会查询“美国的首都”或“美国首都”或一些基于关键字的变体。例如，对于用户输入的查询“美国的首都”，最可能的问题意图是“美国的首都是什么？".在本文中，我们提出了一种方法来产生良好的形式自然语言问题从一个给定的基于关键字的查询，它具有相同的问题的意图查询。将基于关键字的Web查询转换为格式良好的问题有很多应用，其中一些应用于搜索引擎，社区问答（CQA）网站和机器人通信。我们发现了标准机器翻译（MT）任务之间的协同作用。我们使用了统计MT（SMT）和神经MT（NMT）模型来从查询中生成问题。我们已经观察到，MT模型在自动和人工评估方面表现良好。
2020-02-07 cs.AI cs.CL
Improving Robustness of Task Oriented Dialog Systems
Facebook Assistant（Facebook助手）；Google（谷歌）
对话系统中面向任务的语言理解通常使用意图（查询的任务）和槽（该任务的参数）来建模。意图检测和槽标记，反过来，分别使用句子分类和单词标记技术建模。与现有文献中讨论的计算机视觉模型的对抗攻击问题类似，这些意图槽标记模型通常对输入的微小变化过于敏感-当对查询进行微小更改时预测不同且通常不正确的标签，从而降低其准确性和可靠性。然而，评估模型对这些变化的鲁棒性对于语言来说更难，因为单词是离散的，并且对查询的自动变化（例如添加“噪声”）有时会改变查询的含义，从而改变查询的标签。在本文中，我们首先描述了如何创建一个对抗性测试集来衡量这些模型的鲁棒性。此外，我们引入并调整了对抗性训练方法以及使用反向翻译的数据增强来缓解这些问题。我们的实验表明，这两种技术大大提高了系统的鲁棒性，可以结合起来，以产生最好的结果。
2019-11-12 cs.AI cs.CL
Grounding Memory Summarization in Utility Intent
University of Virginia（弗吉尼亚大学）；Northeastern University（东北大学）
针对记忆摘要与下游查询效用错位的问题，提出MemSuit自蒸馏框架，通过问答对调节生成效用感知条目并微调检索器，显著提升答案质量。
2026-09-29 cs.CL
Semantically-Enriched Search Engine for Geoportals: A Case Study with ArcGIS Online
STKO Lab, UC Santa Barbara（加州大学圣巴巴拉分校STKO实验室）；ESRI Inc（环境系统研究所公司）；SayMosaic Inc.（SayMosaic公司）；UC Santa Barbara（加州大学圣巴巴拉分校）；STKO Lab（STKO实验室）
许多地理门户网站，如ArcGIS Online的建立，以提高地理空间数据的可重用性和实现智能知识发现的目标。然而，根据以往的研究，大多数现有的地理门户网站采用基于Lucene的技术来实现其核心搜索功能，这具有有限的能力，捕捉用户的搜索意图。为了更好地理解用户的搜索意图，可以使用查询扩展来通过添加语义相似的术语来丰富用户的查询。在地理门户和地理信息检索的背景下，我们主张从地理空间和主题的角度来丰富用户的查询语义的想法。在地理空间方面，我们提出了丰富的查询，同时使用的地方partonomy和距离衰减。在主题方面，概念扩展和基于嵌入的文档相似度被用来推断隐藏在用户查询中的隐含信息。这个语义查询扩展1 2 G. Mai等人的框架被实现为一个语义丰富的搜索引擎，使用ArcGIS Online作为案例研究。构建了一个基准数据集来评估所提出的框架。我们的评估结果表明，所提出的语义查询扩展框架是非常有效的捕捉用户的搜索意图，并显着优于一个良好的建立基线Lucene的实际评分功能，在DCG@K（K= 3，5，10）的增量超过3.0。
2020-03-14 cs.CL cs.IR
Dialog Intent Induction with Deep Multi-View Clustering
ASAPP Inc.（ASAPP公司）
我们介绍了对话意图诱导任务，并提出了一种新的深度多视图聚类方法来解决这个问题。对话意图归纳旨在从人与人之间的对话中的用户查询话语中发现用户意图，例如客户支持代理与客户之间的对话。出于直觉，对话意图不仅表示在用户查询话语，但也被捕获在对话的其余部分，我们分裂成两个独立的视图和利用多视图聚类技术诱导对话意图的对话。特别是，我们提出了交替视图k均值（AV-KMEANS）的联合多视图表示学习和聚类分析。关键的创新是，通过预测从替代视图获得的聚类分配来迭代地更新实例视图表示，使得实例的多视图表示导致相似的聚类分配。在两个公开数据集上的实验表明，AV-KMEANS可以比最先进的无监督表示学习方法和标准的多视图聚类方法更好地诱导对话意图聚类。
2020-09-15 cs.CL
TQTS-Bench: A Multi-Syntax Benchmark for Text-to-Query over Time-Series Databases
Hunan University（湖南大学）
提出TQTS-Bench多语法基准，含6125个QA对覆盖97个TSDBs，评估LLM文本到查询能力，发现最佳模型准确率仅48.98%，远低于人类的87.34%，揭示语法异构等挑战。
2026-09-29 cs.CL
Lexical Query Modeling in Session Search
University of Amsterdam（阿姆斯特丹大学）
词汇查询建模已经成为会话搜索的主要范例。在本文中，我们分析了TREC会话查询日志和比较不同的词汇匹配方法的会话搜索的性能。基于词频加权的朴素方法与专门的会话模型表现相当。此外，我们调查的词汇查询模型的可行性设置会话搜索。我们给出了重要的见解会话搜索的词汇查询建模的潜力和局限性，并提出了会话搜索领域的未来发展方向。
2016-08-23 cs.CL cs.IR
MIRA: Leveraging Multi-Intention Co-click Information in Web-scale Document Retrieval using Deep Neural Networks
Microsoft（微软）
研究了工业Web搜索中的深度查全率模型问题，即给定用户查询，从数十亿个候选文档中检索出数百个最相关的文档。通用的框架是训练两个基于神经嵌入的编码模型，分别学习查询和文档的分布式表示，并在潜在语义空间中进行匹配。然而，所有现有的编码模型都只利用文档本身的信息，这往往是不够的，在实践中与查询词匹配时，特别是对于硬尾查询。在这项工作中，我们的目标是利用额外的信息，每个文件从其共同点击邻居，以帮助文档检索。挑战包括如何在深度模型中涉及共点击信息时有效地提取信息并消除噪声，同时满足实时的在线推理对十亿级数据大小的需求。为了处理协同点击关系中的噪声，本文首先提出了一种Web规模的多意图协同点击文档图（MICG），该图在点击意图层面而非文档层面构建文档之间的协同点击连接。然后，我们提出了一个编码框架MIRA的基础上BERT和图的注意力网络，利用两个因素的注意力机制聚合邻居。为了满足在线延迟的要求，我们只在文档端涉及邻居信息，这样可以节省实时的服务中耗时的查询邻居搜索。我们进行了广泛的离线实验上的公共数据集和私人网络规模的数据集，从两个主要的商业搜索引擎证明所提出的方法的有效性和可扩展性相比，几个基线。进一步的案例分析表明，共点击关系主要从关键概念增强和查询词互补两个方面提高了网络搜索质量。
2020-07-03 cs.CL cs.IR cs.LG
Quick on the Uptake: Eliciting Implicit Intents from Human Demonstrations for Personalized Mobile-Use Agents
School of Computer Science, Shanghai Jiao Tong University（上海交通大学计算机科学与工程学院）；OPPO Research Institute（OPPO研究院）
本文提出IFRAgent框架，通过分析显式和隐式意图流，提升移动代理对人类意图的对齐率和任务完成率。
2026-08-04 cs.CL
Aligning Query Representation with Rewritten Query and Relevance Judgments in Conversational Search
Université de Montréal（蒙特利尔大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Renmin University of China（中国人民大学）；University of Copenhagen（哥本哈根大学）；Beijing Jiaotong University（北京交通大学）
本文提出QRACDR模型，通过将查询表示与改写查询及相关文档对齐，结合相关性判断训练查询表示模型，在八个数据集上显著提升了对话式搜索和ad-hoc搜索的性能。
2024-07-29 cs.CL cs.IR
User Model-Based Intent-Aware Metrics for Multilingual Search Evaluation
Yandex
尽管网络搜索的多语言方面的重要性越来越大，但到目前为止，还没有合适的离线指标来评估其质量。同时，个人语言偏好可以被视为查询的意图。这种方法将多语言搜索问题转化为搜索多样化的特定任务。此外，可以采用标准的意图感知方法，在经典的IR度量（如ERR）的基础上，为多语言搜索构建多样化的度量。意图感知方法在用户行为模型下估计用户满意度。然而，我们发现，底层的用户行为模型是不现实的，在多语言的情况下，产生的意图感知度量不适当地估计用户满意度。我们开发了一种新的方法来建立意图感知的用户行为模型，克服了这些限制，并转换为质量指标，更好地与标准的在线用户满意度指标。
2016-12-13 cs.CL cs.HC cs.IR
Intent Aware Context Retrieval for Multi-Turn Agricultural Question Answering
本文提出AI农业聊天机器人Krishi Sathi，结合意图驱动的多轮对话、指令调优模型和检索增强生成，为印度农民提供个性化农业建议，实现97.53%的查询准确率和91.35%的上下文相关性。
2025-07-28 cs.AI cs.CL
AURA: Intent-Directed Probing for Implicit-Need Surfacing in Situated LLM Agents
Guangdong Institute of Intelligence Science and Technology（广东省智能科学与技术研究院）
提出AURA方法，通过在场景感知和工具使用之间插入意图推理步骤生成IntentFrame，以结构化估计隐式需求并控制探测预算，在隐式意图基准上提升覆盖率达+0.07，同时减少82%的探测次数并避免隐私违规。
2026-06-04 cs.CL
LeCoPCR: Legal Concept-guided Prior Case Retrieval for European Court of Human Rights cases
School of Computation, Information, and Technology（慕尼黑工业大学计算、信息与技术学院）；Technical University of Munich
LeCoPCR通过显式生成法律概念作为查询意图，并用行列式点过程弱监督提取关键概念，增强了先例案件检索的语义相关性理解，在ECtHR-PCR数据集上验证了有效性。
2025-01-23 cs.CL
ConvGQR: Generative Query Reformulation for Conversational Search
University of Montreal（蒙特利尔大学）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Institute for AI Industry Research, Tsinghua University（清华大学人工智能产业研究院）
针对对话式搜索中查询重构受人工改写限制的问题，提出融合查询改写与潜在答案生成、搭配知识注入机制的ConvGQR框架，经多数据集验证可有效提升检索效果。
2024-01-27 cs.CL cs.IR
Interactive Question Clarification in Dialogue via Reinforcement Learning
Ant Financial Services Group（蚂蚁金融服务集团）
在现实世界的对话系统中，处理模棱两可的问题一直是一个长期存在的问题。虽然通过提问来澄清是人类交互的常见形式，但很难定义适当的问题来从用户那里引出更具体的意图。在这项工作中，我们提出了一个强化模型，以澄清模糊的问题，建议改进的原始查询。我们首先制定一个集合划分问题，选择一组标签，使我们能够区分潜在的明确意图。我们将选择的标签作为意图短语列出给用户以供进一步确认。然后，所选择的标签连同原始用户查询一起用作细化的查询，可以更容易地识别合适的响应。该模型使用具有深度策略网络的强化学习进行训练。我们根据真实世界的用户点击来评估我们的模型，并在几个不同的实验中展示了显着的改进。
2020-12-17 cs.CL
Query Obfuscation Semantic Decomposition
University of Liverpool（利物浦大学）
我们提出了一种方法来保护搜索引擎用户的隐私分解查询使用语义\emph{related}和无关的\emph{distractor}条款。代替单个查询，搜索引擎接收多个分解的查询项。接下来，我们通过聚合针对分解的查询词检索到的搜索结果来重构与原始查询词相关的搜索结果。我们表明，使用分布式表示学习方法学习的词嵌入可以用来找到语义相关和干扰查询项。我们得到的\emph{obfuscity}之间的关系，通过建议的查询匿名化方法和\emph{reconstructability}的原始搜索结果使用分解的查询。我们分析研究了所提出的查询混淆方法下发现搜索引擎用户信息意图的风险，并实证评估其对基于聚类的攻击的鲁棒性。实验结果表明，该方法可以准确地重建用户查询的搜索结果，而不会损害搜索引擎用户的隐私。
2022-04-13 cs.CL cs.CR cs.IR
Conformal Intent Classification and Clarification for Fast and Accurate Intent Recognition
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；ING Group NV（ING集团）；TU Delft（代尔夫特理工大学）
本文提出保形意图分类与澄清框架CICC，将意图分类器的不确定性分数转化为保证包含真实意图的澄清问题，并支持分布外检测，在七个数据集上验证了其高效性与准确性。
2024-03-27 cs.CL
Short Text Pre-training with Extended Token Classification for E-commerce Query Understanding
Amazon Search（亚马逊搜索）
电子商业查询理解是通过从用户的搜索查询中提取语义来推断用户的购物意图的过程。自然语言处理中的预训练掩蔽语言模型（MLM）的最新进展对于开发有效的查询理解模型具有极大的吸引力。具体地说，MLM通过恢复句子中的掩蔽标记来学习上下文文本嵌入。这样的预训练过程依赖于足够的上下文信息。然而，它对搜索查询的效果较差，因为搜索查询通常是短文本。当对短搜索查询应用掩蔽时，大部分上下文信息丢失，并且搜索查询的意图可能改变。为了缓解MLM搜索查询预训练的上述问题，我们提出了一种专门为短文本设计的新的预训练任务，称为扩展令牌分类（ETC）。我们的方法不是屏蔽输入文本，而是通过生成器网络插入令牌来扩展输入，并训练一个机器人来识别哪些令牌被插入到扩展输入中。我们在一个电子商业商店进行实验，以证明ETC的有效性。
2022-10-08 cs.CL cs.LG
Query-Response Interactions by Multi-tasks in Semantic Search for Chatbot Candidate Retrieval
候选检索的语义搜索是基于检索的聊天机器人中一个重要但被忽视的问题，其目的是从一个大的池中有效地选择一堆候选响应。现有的瓶颈是确保模型架构具有两点：1）查询和响应之间的丰富交互以产生查询相关的响应; 2）将查询和响应分别投影到潜在空间中的能力，以在在线推理期间有效地应用于语义搜索。为了解决这个问题，我们提出了一种新的方法，称为基于多任务的语义搜索神经网络（MSSNN）的候选检索，它通过多个任务来完成查询-响应交互。该方法首先通过Seq 2Seq建模任务学习一个好的查询编码器，然后通过词预测任务构建响应嵌入，最后通过简单的匹配模型形成点积评分器。实验研究已经证明了所提出的方法的潜力。
2022-08-23 cs.CL
