在人机交互系统中，意图检测是连接人类意图与系统动作的关键任务。然而，检测超范围（OOS）意图仍面临诸多挑战：
-
传统方法将OOS意图检测视为多类分类问题，已知意图的类别数量增加时，检测准确率下降；
-
LLM嵌入方法需要大量参数，导致训练和实际部署困难。
为此，本研究提出了一种通过MiniLM嵌入（即all-MiniLM-L6-v2）进行OOS意图检测的多聚类边界学习方法，采用单类分类工作流。该方法学习由MiniLM从训练语句生成的多聚类嵌入的边界，然后将超域语句拒绝为OOS意图。
在公共数据集CLINC150、StackOverflow和Banking77上进行了实验，结果表明该方法在OOS意图检测方面达到了最先进的性能，相较于其他基线表现优越。同时，进行了消融研究，结果显示所使用的MiniLM能够更好地适应工作流和语句嵌入需求。代码可在补充材料中获得。
博主点评： 该研究通过引入多聚类边界学习方法，显著提升了OOS意图检测的性能，尤其在处理大规模意图类别时，展现了良好的适应性与有效性。这一方法为未来的意图检测技术提供了新的思路，值得深入研究与应用。