论文介绍
现有的面向任务的聊天机器人严重依赖口语理解(SLU)系统来确定用户的话语意图和其他关键信息以完成特定任务。在现实应用中，偶尔从对话日志中引入新颖的对话意图以改善用户体验至关重要。在本文中，我们提出了用于对话意图归纳的基于密度的深度聚类集成(DDCE)方法。与现有的基于K-means的方法相比，我们提出的方法在处理存在大量异常值的现实场景时更有效。为了最大限度地利用数据，我们联合优化了文本的表示和聚类算法的超参数。此外，我们设计了一个异常值感知的聚类集成框架来处理过度拟合问题。
论文地址
https://arxiv.org/abs/2201.06731
