Chat-Driven Optimal Management for Virtual Network Services
Department of Applied Physics and Physico-Informatics, Keio University(应用物理与物理信息学系,庆应大学);Network Service Laboratories, NTT, Inc.(网络服务实验室,NTT公司);IOWN Product Design Center, NTT, Inc.(IOWN产品设计中心,NTT公司)
本文提出一种结合NLP与优化的聊天驱动虚拟网络管理框架,通过意图提取和优化算法实现网络配置的动态更新与高可靠性。
2025-12-31 cs.AI cs.NI
Using Large Language Models to Generate, Validate, and Apply User Intent Taxonomies
University of Washington(华盛顿大学);Microsoft(微软公司);Pennsylvania State University(宾夕法尼亚州立大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文提出结合LLM与人在回路验证的端到端流程,用于生成、优化并应用用户意图分类体系,在Bing搜索和聊天日志中验证了其有效性。
2024-05-10 cs.AI cs.CL cs.IR
Chatbots Output Meaningful (but Problematic) Language
University of Parma(帕尔马大学);University of Cambridge(剑桥大学);University of Pittsburgh(匹兹堡大学);Franklin and Marshall College(弗兰克林与马歇尔学院)
本文论证大型语言模型(LLM)的输出是有意义的,但无需假设其具有心理状态或意图,并探讨了这一观点对语言理论和AI伦理的影响。
2026-06-02 cs.CL
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
Beyond Ontology in Dialogue State Tracking for Goal-Oriented Chatbot
Yonsei Univ.(延世大学);Onoma AI
本研究提出一种无需预定义本体论的对话状态跟踪方法,结合指令微调、提示策略与反幻觉机制,并利用变分图自编码器预测用户意图,在JGA上达到42.57%,超越现有无本体模型,提升了目标导向聊天机器人的适应性和准确性。
2024-10-30 cs.AI cs.CL
ShopX: A Foundation Model for Intent-to-Item Fulfillment in Agentic Shopping
提出ShopX基础模型,通过统一意图理解、执行规划和基于语义ID的商品空间操作,解决大语言模型代理在购物中意图到商品实现的瓶颈,在淘宝生产日志任务上优于工具中介系统。
2026-07-17 cs.AI cs.CL cs.IR
PaRT: Enhancing Proactive Social Chatbots with Personalized Real-Time Retrieval
Xiaohongshu Inc.(小红书公司);University of Science and Technology of China(中国科学技术大学);Zhejiang University(浙江大学)
针对传统被动响应聊天机器人导致用户参与度低和对话时长缩短的问题,提出PaRT框架,通过整合用户画像与上下文、利用LLM优化查询意图并生成个性化话题,从RedNote检索知识以生成优化回复,在真实环境中使对话平均时长提升21.77%。
2025-04-29 cs.AI
An Empirical Study of Privacy Leakage Chains via Prompt Injection in Black-Box Chatbot Environments
Department of Information Security(信息安全系);Soongsil University(松山大学);AI Safety Center(人工智能安全中心);Department of AI Software(人工智能软件系)
本文研究了通过间接提示注入在黑盒聊天机器人环境中存在的隐私泄露攻击链,分析了攻击者如何通过构造看似无害的外部内容来劫持代理任务,并评估了新的提示注入技术'exemplification'的攻击成功率,最终展示了使用虚构个人信息的证明概念数据外泄链。
2026-05-18 cs.AI cs.CR cs.HC
Building the Intent Landscape of Real-World Conversational Corpora with Extractive Question-Answering Transformers
Bell Canada(加拿大贝尔)
对于提供客户服务的公司来说,在会话数据中映射意图对于构建基于自然语言理解(NLU)的应用程序至关重要。然而,目前还没有建立自动化技术来从嘈杂的在线聊天或语音记录中收集意图。简单的聚类方法不适合意图稀疏的对话。为了解决这个意图景观任务,我们提出了一个无监督的管道,从现实世界的对话中提取意图和意图的分类。我们的管道使用提取问答Electra模型挖掘意图跨度候选项,并利用句子嵌入应用低级别密度聚类,然后是顶级层次聚类。我们的研究结果证明了在SQuAD 2数据集上微调的ELECTRA大型模型的泛化能力,以理解对话。通过正确的提示问题,该模型实现了超过85%的意图跨度的语言验证率。我们还从MultiDoGo数据集重建了五个领域的意图方案,平均召回率为94.3%。
2022-08-30 cs.AI cs.CL cs.LG
Trapped by Expectations: Functional Fixedness in LLM-Enabled Chat Search
The University of Oklahoma(俄克拉荷马大学);Microsoft Research(微软研究院)
研究通过450人众包实验揭示了功能固着对LLM聊天搜索的限制,发现用户先验经验影响预期与提示行为,未达预期可促进行为适应,并提出用户意图分类以倡导创造性使用LLM。
2025-04-02 cs.AI cs.HC
The Ink Splotch Effect: A Case Study on ChatGPT as a Co-Creative Game Designer
New York University(纽约大学)
本文以“墨渍”灵感法为框架,通过三款不同类型原型游戏的盲测用户研究,评估ChatGPT在游戏设计决策与创意协作中的价值与局限。
2024-03-04 cs.AI
PIRA-Bench: A Transition from Reactive GUI Agents to GUI-based Proactive Intent Recommendation Agents
Nankai University(南开大学);Huawei Research(华为研究)
PIRA-Bench通过引入主动意图推荐代理基准,推动GUI代理从反应式向主动式转变,评估多模态大语言模型在连续弱监督视觉输入中的能力。
2026-03-09 cs.AI
From Intents to Conversations: Generating Intent-Driven Dialogues with Contrastive Learning for Multi-Turn Classification
Singapore University of Technology and Design(新加坡科技设计大学)
针对多轮意图分类缺乏大规模领域多语言数据的问题,提出融合HMM与LLM的Chain-of-Intent框架生成意图驱动对话,搭配MINT-CL多任务对比学习框架提升分类效果,还发布了电商领域多语言多轮对话语料库MINT-E。
2025-09-01 cs.AI cs.CL
Efficient Intent-Based Filtering for Multi-Party Conversations Using Knowledge Distillation from LLMs
Microsoft AI(微软人工智能)
针对大语言模型处理多方对话资源消耗高的问题,提出利用LLM知识蒸馏构建意图过滤器,用标注数据集微调MobileBERT实现多标签意图分类,仅传相关片段给LLM,在算力受限环境下显著降低运营成本。
2025-03-21 cs.AI cs.CL
Mutable Transcripts: Mitigating Context Pollution through Editable Conversation State
University College Dublin(都柏林大学学院)
本文提出可变转录范式,允许用户通过自然语言编辑对话历史,以缓解上下文污染,实验表明其能提升交互质量并减少重启意图。
2026-09-28 cs.AI
Large Language Model Data Generation for Enhanced Intent Recognition in German Speech
University of Hamburg - Knowledge Technology(汉堡大学-知识技术)
本文提出结合微调的Whisper ASR模型与LLM生成的合成文本数据集,以提升老年德语语音意图识别的性能,并发现特定领域的较小模型LeoLM在数据集质量上优于更大的ChatGPT。
2025-08-08 cs.CL cs.LG cs.SD
Intent-conditioned and Non-toxic Counterspeech Generation using Multi-Task Instruction Tuning with RLAIF
IIT Delhi(印度理工学院德里分校);IIIT Delhi(德里印度信息技术学院)
本研究提出CoARL框架,通过多指令微调和RLAIF强化学习生成基于意图且无毒的反言论,在意图一致性和论证质量上分别提升3点和4点,优于现有系统及ChatGPT。
2024-03-15 cs.AI cs.CL
Beyond Context: Large Language Models' Failure to Grasp Users' Intent
KTH Royal Institute of Technology Network Systems Security (NSS) Group(皇家理工学院网络系统安全小组)
研究指出大型语言模型在理解上下文和识别用户意图方面存在缺陷,导致安全机制被恶意用户利用,需转向以上下文理解和意图识别为核心的安全能力。
2026-04-24 cs.AI cs.CL cs.CR
ChatBridge: Bridging Modalities with Large Language Model as a Language Catalyst
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Bytedance Inc.(字节跳动公司)
本文提出ChatBridge多模态语言模型,以语言为催化剂,仅用语言配对的双模态数据连接文本、图像、视频和音频模态,并通过两阶段训练及MULTIS指令数据集实现多模态零样本任务。
2023-05-25 cs.AI cs.CL cs.CV
Predicting User Intents and Musical Attributes from Music Discovery Conversations
Graduate School of Culture Technology, KAIST(韩国科学技术院文化技术研究生院)
本文研究音乐发现对话中的意图分类,提出结合聊天历史与单轮查询的方法,并同时分类音乐属性,显著提升F1分数且优于Llama 3的零样本和少样本表现。
2024-11-20 cs.CL cs.LG cs.SD
Prometheus Chatbot: Knowledge Graph Collaborative Large Language Model for Computer Components Recommendation
Lenovo Desktop Computing Development Lab(联想台式计算开发实验室);McKelvey School of Engineering, Washington University in St. Louis(圣路易斯华盛顿大学麦凯尔维工程学院)
针对自然语言驱动的知识图谱推荐系统在意图理解和实体链接上的挑战,开发了集成KG与LLM的Prometheus聊天机器人,实现计算机组件的精准个性化推荐。
2024-07-31 cs.AI
Beyond More Context: Retrieval Diversity Boosts Multi-Turn Intent Understanding
Independent Researcher(独立研究者)
针对任务导向聊天机器人多轮意图理解中token预算有限、检索忽略多样性的问题,提出感知多样性的检索框架,平衡意图覆盖与语言多样性,在等token预算下显著提升联合目标准确率,验证了检索内容多样性的作用。
2025-10-20 cs.AI
Stereotype or Personalization? User Identity Biases Chatbot Recommendations
Carnegie Mellon University(卡内基梅隆大学)
研究发现,LLMs 在生成推荐时会因用户身份特征产生种族刻板印象偏见,且未能透明披露该影响,此现象在多个主流模型和种族群体中普遍存在。
2025-05-30 cs.CL
Intent Detection and Slots Prompt in a Closed-Domain Chatbot
PeopleStrong
在本文中,我们介绍了一种方法,用于预测回答职业相关查询的聊天机器人的查询意图和插槽。我们采取多阶段的方法,其中两个过程(意图分类和插槽标记)在不同阶段通知对方的决策。该模型将问题分解为多个阶段,每次解决一个问题,并将当前阶段的相关结果传递到下一个阶段,从而减少后续阶段的搜索空间,并最终在每个阶段之后使分类和标记更加可行。我们还观察到,在每个阶段之后,在槽标记中放松模糊实体匹配的规则(通过在每个阶段保持单独的命名实体标记器)有助于我们提高性能,尽管以误报为代价。我们的模型已经达到了最先进的性能,在我们的数据集上,意图分类的F1得分为77.63%,插槽标记的F1得分为82.24%,我们将与论文一起公开发布。
2019-01-10 cs.AI cs.CL
Helping Johnny Make Sense of Privacy Policies with LLMs
Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig, Leipzig University(可扩展数据分析与人工智能中心(ScaDS.AI)德累斯顿/莱比锡,莱比锡大学)
PRISMe通过结合LLM的政策评估与交互式界面,帮助用户更有效地理解和参与隐私政策,同时揭示了设计和技术上的挑战。
2026-01-28 cs.AI cs.HC
A Trustworthy, Responsible and Interpretable System to Handle Chit Chat in Conversational Bots
Microsoft(微软)
大多数情况下,聊天机器人是为了解决搜索引擎或人类助手的目的而构建的:它们的主要目标是为用户提供信息或帮助他们完成任务。然而,这些聊天机器人无法回应未经脚本的查询,如“嗨,怎么了”,“你最喜欢的食物是什么”。人类评估判断表明,4人对给定查询的意图达成共识,该查询仅在77%的时间来自聊天域,从而表明这项任务是多么重要。在我们的工作中,我们展示了为什么很难将闲聊空间分解为明确定义的意图。我们提出了一个系统来处理聊天机器人中的这项任务,同时考虑到可扩展性,可解释性,适当性,可信度,相关性和覆盖范围。我们的工作介绍了一种使用分层意图在聊天中进行查询理解的管道,以及在专业机器人中使用seq-seq自动生成模型的方法。我们探索了一个可解释的聊天域检测模型,并展示了各种组件,如成人/攻击性分类,语法/正则表达式模式,策划基于个性的响应,通用的引导回避响应和响应生成模型可以结合在一个可扩展的方式来解决这个问题。
2018-11-23 cs.AI cs.CL cs.LG
DialogUSR: Complex Dialogue Utterance Splitting and Reformulation for Multiple Intent Detection
Peking University(北京大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Tencent Cloud Xiaowei(腾讯云小微)
在与聊天机器人交互时,用户可以在单个对话话语中引出多个意图。我们提出了DialogUSR,而不是训练一个专用的多意图检测模型,这是一个对话话语分裂和重构任务,它首先将多意图用户查询分成几个单意图子查询,然后恢复子查询中所有的共指和省略信息。DialogUSR可以作为一个插件和域无关模块,以最小的努力为部署的聊天机器人提供多意图检测。我们收集了一个高质量的自然发生的数据集,涵盖了23个领域的多步人群搜索程序。为了对拟议的数据集进行基准测试,我们提出了多个基于动作的生成模型,这些模型涉及端到端和两阶段训练,并对拟议基线的利弊进行了深入分析。
2022-10-20 cs.AI cs.CL
The R-U-A-Robot Dataset: Helping Avoid Chatbot Deception by Detecting User Questions About Human or Non-Human Identity
University of California, Davis(加州大学戴维斯分校);Columbia University(哥伦比亚大学)
人类越来越多地通过语言与机器进行交互,有时在用户可能不知道他们正在与机器交谈的情况下(例如通过电话或文本聊天机器人)。我们的目标是了解系统设计师和研究人员如何让他们的系统确认其非人类身份。我们收集了2,500多个与“你是机器人吗?”".这与超过2,500个对立选择的话语配对,其中仅确认系统是非人类的是不够的或不流利的。我们比较分类识别的意图,并讨论精度/召回和模型复杂性的权衡。这种分类器可以集成到对话系统中,以避免不希望的欺骗。然后,我们探讨了生成研究模型(Blender)以及两个部署的系统(Amazon Alexa,Google Assistant)如何处理这一意图,发现系统通常无法确认其非人类身份。最后,我们试图了解什么是对意图的良好响应,并进行用户研究,以比较响应此意图时的重要方面。
2021-06-04 cs.CL cs.HC
A Comprehensive Survey of AI-Generated Content (AIGC): A History of Generative AI from GAN to ChatGPT
Lehigh University(理海大学);Carnegie Mellon University(卡内基梅隆大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
最近,ChatGPT与DALL-E-2和Codex一起获得了社会的极大关注。因此,许多人对相关资源产生了兴趣,并试图揭开其令人印象深刻的表现背后的背景和秘密。事实上,ChatGPT和其他生成式人工智能(GAI)技术都属于人工智能生成内容(AIGC)的范畴,即通过AI模型创建数字内容,如图像、音乐和自然语言。AIGC的目标是使内容创建过程更加高效和易于访问,从而以更快的速度生产高质量的内容。AIGC是通过从人类提供的指令中提取和理解意图信息,并根据其知识和意图信息生成内容来实现的。近年来,大规模模型在AIGC中变得越来越重要,因为它们提供了更好的意图提取,从而改善了生成结果。随着数据的增长和模型的规模,模型可以学习的分布变得更加全面,更接近现实,从而产生更真实和高质量的内容。本文从单模态交互和多模态交互两个方面综述了生成模型的发展历史、基本组成和最新研究进展。从单峰性的角度,介绍了文本和图像的生成任务和相关模型。从多模态的角度,我们介绍了上述模态之间的交叉应用。最后,我们讨论了AIGC存在的问题和未来的挑战。
2023-03-07 cs.AI cs.CL cs.LG
TESS: A Multi-intent Parser for Conversational Multi-Agent Systems with Decentralized Natural Language Understanding Models
Boston University(波士顿大学);IBM Research(IBM研究院)
针对去中心化NLU的多智能体对话系统中多意图解析准确率低的问题,提出高效解析编排流水线算法TESS,在三个数据集上性能媲美深度学习模型,速度最高快48倍。
2023-12-19 cs.CL cs.MA
Bootstrapping Conversational Agents With Weak Supervision
IBM Watson(IBM沃森);IBM Research AI(IBM研究院人工智能部门)
当今市场上的许多会话代理遵循标准的机器人开发框架,该框架需要训练意图分类器来识别用户输入。创建一组合适的训练样本的需求通常是开发过程中的瓶颈。在许多情况下,代理开发人员可以访问历史聊天日志,这些日志可以提供大量的训练样本。然而,用数十到数百个意图标记它们的成本通常会阻止充分利用这些聊天日志。在本文中,我们提出了一个框架称为\textit{search, label, and propagate}(SLP)的引导意图从现有的聊天日志使用弱监督。该框架通过使用搜索引擎查找示例,将数小时到数天的标记工作减少到几分钟的工作,然后依靠数据编程方法自动扩展标签。我们报告的用户研究,显示积极的用户反馈,这种新的方法来建立对话代理,并证明了使用数据编程自动标记的有效性。虽然该系统是为训练会话代理而开发的,但该框架在显着减少训练文本分类器的标记工作方面具有更广泛的应用。
2018-12-14 cs.AI cs.CL
Speak or Chat with Me: End-to-End Spoken Language Understanding System with Flexible Inputs
New York University(纽约大学);IBM Research AI(IBM研究院人工智能实验室)
口语语言理解(SLU)中最近的研究的主要焦点是端到端方法,其中单个模型可以直接从语音输入预测意图,而无需中间转录。然而,这一方法带来了一些挑战。首先,由于语音可被视为个人可识别信息,因此在某些情况下,只能访问自动语音识别(ASR)转录。其次,意图标记的语音数据是稀缺的。为了解决第一个挑战,我们提出了一个新的系统,可以从灵活的输入类型预测意图:语音,ASR成绩单,或两者兼而有之。我们表现出强大的性能,无论是模态单独,当语音和ASR成绩单,通过系统组合,我们实现了更好的结果比使用一个单一的输入方式。为了解决第二个挑战,我们利用一个语义健壮的预训练BERT模型,并采用一个跨模态系统,在共享的潜在空间中共同训练文本嵌入和声学嵌入。我们通过利用在LibriSpeech上预训练的声学模块和在我们的目标数据集上对文本模块进行域适应来进一步增强该系统。我们的实验显示了这些预训练和微调策略的显著优势,从而使系统在Snips SLU和Fluent Speech Commands数据集上实现了具有竞争力的意图分类性能。
2021-06-14 cs.CL cs.LG cs.SD
Dream to Chat: Model-based Reinforcement Learning on Dialogues with User Belief Modeling
Geely AI Lab(Geely人工智能实验室);Beijing Institute of Technology(北京理工大学)
本文提出DreamCUB框架,通过构建对话世界模型预测用户信念(情绪、情感、意图),结合模型强化学习提升对话质量,在情绪分类和情感识别上达到最优,并具有良好的迁移性。
2025-09-26 cs.AI cs.CL
Improved Instruction Ordering in Recipe-Grounded Conversation
Georgia Institute of Technology(佐治亚理工学院)
本文针对基于食谱的对话中指令顺序错误问题,提出利用用户意图检测和指令状态跟踪两个辅助子任务来改进响应生成,并通过新数据集ChattyChef验证其有效性,同时发现ChatGPT仍存在乱序指令错误。
2023-05-26 cs.CL
OCC: A Smart Reply System for Efficient In-App Communications
Uber AI(优步AI)
已经为各种消息平台开发了智能回复系统。在本文中,我们介绍了Uber的智能回复系统:一键聊天(OCC),这是Uber应用内聊天系统的关键增强功能。它使司机合作伙伴能够使用智能回复快速响应骑手消息。智能回复是使用机器学习算法根据对话内容动态选择的。我们的系统由两个主要组成部分:意图检测和回复检索,这是非常不同的标准智能回复系统的任务是直接预测的答复。它是专门为具有短消息和非规范消息的移动应用程序而设计的。回复检索利用基于从历史数据导出的聊天消息中的流行度的意图和回复之间的配对。对于意图检测,我们尝试了一组嵌入和分类技术,并且我们选择部署使用无监督分布式嵌入和最近邻分类器的解决方案。它的优点是只需要少量的标记训练数据,开发和部署到生产中的简单性,以及服务期间的快速推理,因此具有高度的可扩展性。与此同时,它使用深度学习架构(如单词级卷积神经网络)进行搜索。总体而言,该系统在意图检测方面达到了76%的高准确率。目前,该系统已部署在英语国家的生产环境中,71%的乘客和司机之间的应用程序内通信采用了智能回复,以加快通信过程。
2019-07-18 cs.CL stat.ML
Dialog Intent Induction via Density-based Deep Clustering Ensemble
Fuxi AI Lab, NetEase Inc.(网易伏羲人工智能实验室)
现有的面向任务的聊天机器人严重依赖口语语言理解(SLU)系统来确定用户话语的意图和其他关键信息以完成特定任务。在实际应用中,偶尔从会话日志中诱导新的对话意图以改善用户体验是至关重要的。在本文中,我们提出了基于密度的深度聚类包围盒(DDCE)的对话意图诱导方法。与现有的基于K-means的方法相比,我们所提出的方法在处理大量离群值存在的实际情况下更有效。为了最大限度地提高数据利用率,我们联合优化文本的表示和聚类算法的超参数。此外,我们设计了一个离群感知聚类集成框架来处理过拟合问题。七个数据集的实验结果表明,我们提出的方法显着优于其他国家的最先进的基线。
2022-01-18 cs.CL cs.LG
Intent Mining from past conversations for conversational agent
Accenture Labs(埃森哲实验室)
对话系统是AI社区的主要兴趣。聊天机器人越来越多地被部署来提供全天候支持并提高客户参与度。许多商业机器人构建框架遵循一种标准方法,该方法要求构建和训练意图模型以识别用户输入。意图模型在有监督的设置中使用文本话语和意图标签对的集合进行训练。为不同的意图收集大量和广泛的训练数据是机器人构建过程中的瓶颈。此外,标记一百到数千个具有意图的对话的成本是一项耗时费力的工作。在本文中,我们提出了一个意图发现框架,包括4个主要步骤:使用预训练的领域不可知对话行为分类器从对话中提取文本话语(数据提取),相似用户话语的自动聚类(聚类),使用Intent标签手动注释聚类(标记)并将意图标签传播到来自先前步骤的话语,其未被映射到任何聚类(标签传播);以从原始会话生成意图训练数据。针对不平衡数据的聚类问题,提出了一种新的基于密度的聚类算法ITER-DBSCAN。主题专家(具有领域专业知识的注释者)手动查看聚类的用户话语,并提供用于发现的意图标签。我们进行了用户研究,以验证在意图覆盖率、准确性和节省手动注释时间方面生成的训练意图模型的有效性。虽然系统被开发用于构建会话系统的意图模型,但是该框架也可以用于短文本聚类或作为标记框架。
2021-01-18 cs.AI cs.CL cs.LG
LLaVA-Interactive: An All-in-One Demo for Image Chat, Segmentation, Generation and Editing
Microsoft Research(微软研究院)
LLaVA-Interactive通过组合LLaVA、SEEM和GLIGEN三种现成模型,无需额外训练即可实现支持语言和视觉提示的多模态多轮交互,涵盖图像聊天、分割、生成与编辑。
2023-11-01 cs.AI cs.CL cs.CV
Zephyr: Direct Distillation of LM Alignment
HuggingFace;HuggingFaceH4
本文提出Zephyr-7B,通过蒸馏直接偏好优化(dDPO)利用AI反馈偏好数据,以少量训练实现7B模型意图对齐,无需人工标注并在聊天基准上超越Llama2-Chat-70B。
2023-10-25 cs.CL cs.LG