引言

自然语言处理(Natural Language Processing，NLP)是人工智能的重点研究方向，其研究目标是赋予计算机理解、解析及生成人类语言的能力，是实现人机自然交互的关键技术。早期 NLP 研究主要依赖规则系统与统计方法，随着深度学习技术的兴起，逐步发展为基于神经网络的表示学习范式，而当前大规模预训练语言模型已成为该领域的主流研究方向［1-2］。这一系列技术演进推动了智能客服、搜索引擎、智能助手等应用的广泛落地，显著革新了人机交互模式［3-5］。

在 NLP 的诸多任务中，意图识别是对话系统的基础环节［6］。意图识别旨在确定用户输入的文字中所蕴含的意图或目的，即对用户的话语进行语义理解，以便更好地回答用户的问题或提供相关的服务。然而，意图识别通常面临着一系列问题的挑战，包括用户语言表达的易混淆性、意图在不同上下文语境中的差异性以及持续出现的新意图等。

研究人员针对意图识别问题开展了大量的研究，主要集中在传统机器学习方法［4］、深度学习方法［2，7］与基于大模型的意图识别方法。传统机器学习方法如支持向量机(Support Vector Machine, SVM)、条件随机场(Conditional Random Field, CRF)等依赖人工特征工程，难以有效捕捉复杂的语义关系。深度学习方法主要包括基于卷积神经网络、循环神经网络（如长短期记忆网络）、 Transformer模型的方法。尽管这些方法在特征自动提取方面展现出显著优势，但仍面临标注数据依赖性强［8］、上下文建模能力不足［9］、领域迁移适应性弱［5］及跨语言场景泛化能力有限［6］等挑战。

近年来，意图识别方法逐渐成为研究热点［10］。现有工作通常提前设定好所有可能的意图类别，模型在这些预设的类别中进行识别。然而，在开放环境下，模型需要应对持续出现的新意图类别带来的挑战。在预训练模型时代，Nogueira等人［11］的研究具有标志性意义，他们系统论证了上下文词嵌入对意图表征的增强作用。随后，Zhang等人［12］针对开放世界假设下的意图识别问题，提出了基于深度语义特征空间的自适应决策边界算法，实现了已知与未知意图的有效区分［13］。随着大语言模型在动态提示工程与自主推理方面的进展，基于智能体架构的意图发现方法开始涌现，初步验证了其在开放域场景下的有效性［14］。随后Cheng等人［15］构建了交互意图基准，训练出可主动评估任务模糊性、与用户交互以明确意图的模型，从而明确输入意图，进而提升识别的准确性与系统交互性。然而，这些方法的有效性通常依赖于大量标记数据和多阶段训练，实现此类方法需要人类专家注释来完成定义相关意图的挑战性任务。

面对传统意图识别方法依赖大量标注数据、难以适应开放环境下新意图涌现等问题，本文提出基于大语言模型的意图识别方法AutoIntent，可在少样本条件下有效识别不断出现的新意图。本文主要贡献包括：

(1)提出基于上下文学习的大模型意图识别框架AutoIntent，借助提示词构建与意图反馈机制，实现在少样本下高效灵活的意图识别；

(2)在意图发现对比实验的常用数据集上，将AutoIntent与领域内最新方法展开对比，结果显示出AutoIntent在意图发现任务上的优势；

(3)针对意图识别任务构建了复杂度更高的评测数据集并开展验证，实验结果进一步验证了AutoIntent在复杂场景下的有效性。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000006860

作者信息：

孙颢原1，刘莹君2，于莉娜2，纪涛2，张圳锡1,吴继冰1

(1.国防科技大学大数据与决策国家级重点实验室，湖南长沙410073;

2.智能空间信息国家级重点实验室，北京100029)