TEXTOIR

TEXTOIR

开放式意图识别的综合工具包

TEXTOIR是一个专注于开放式意图检测和发现的综合工具包。它集成了最新算法,提供可扩展接口和统一数据设置,便于研究人员进行公平可复现的实验。该项目支持多个基准数据集,持续更新模型和方法,并配有可视化平台。TEXTOIR致力于推动文本开放意图识别领域的研究进展。

TEXTOIR意图识别开放集分类聚类自然语言处理Github开源项目

TEXTOIR文本开放意图识别系统

TEXTOIR是首个高质量的文本开放意图识别平台。该代码库提供了一个便捷的工具包,具有可扩展的接口,集成了两个任务(开放意图检测和开放意图发现)的一系列最先进算法。我们还在TEXTOIR-DEMO代码库中发布了流程框架和可视化平台。

简介

TEXTOIR旨在为研究人员提供一个便利的工具包,以复现相关的文本开放分类和聚类方法。它包含两个任务,定义为开放意图检测和开放意图发现。开放意图检测旨在识别n类已知意图,并检测一类开放意图。开放意图发现旨在利用有限的已知意图先验知识来发现细粒度的已知和开放意图聚类。相关论文和代码收集在我们之前发布的阅读列表中。

开放意图识别:
示例

更新 🔥 🔥 🔥

日期公告
2023年12月🎆 🎆 开放意图发现的新论文和最先进方法。代码请参考USNID目录。阅读论文 -- 面向无监督和半监督新意图发现的聚类框架(发表于IEEE TKDE 2023)
2023年4月🎆 🎆 开放意图检测的新论文和最先进方法。代码请参考DA-ADB目录。阅读论文 -- 学习开放意图检测的判别表示和决策边界(发表于IEEE/ACM TASLP 2023)
2021年9月🎆 🎆 首个集成和可视化的文本开放意图识别平台TEXTOIR已发布。演示代码请参考TEXTOIR-DEMO目录。阅读我们的论文TEXTOIR:文本开放意图识别的集成和可视化平台(发表于ACL 2021)
2021年5月开放意图发现的新论文和基线DeepAligned已发布。阅读我们的论文使用深度对齐聚类发现新意图(发表于AAAI 2021)
2021年5月开放意图检测的新论文和基线ADB已发布。阅读我们的论文具有自适应决策边界的深度开放意图分类(发表于AAAI 2021)
2020年5月开放意图发现的新论文和基线CDAC+已发布。阅读我们的论文通过约束深度自适应聚类和聚类细化发现新意图(发表于AAAI 2020)
2019年7月开放意图检测的新论文和基线DeepUNK已发布。阅读我们的论文基于边际损失的深度未知意图检测(发表于ACL 2019)

我们强烈建议您使用我们的TEXTOIR工具包,它具有标准和统一的接口(特别是数据设置),可以在基准意图数据集上获得公平和可说服的结果!

基准数据集

数据集来源
[BANKING](https://github.com/thuiar/TEXTOIR/blob/main/./data/banking论文
[OOS](https://github.com/thuiar/TEXTOIR/blob/main/./data/oos / [CLINC150](https://github.com/thuiar/TEXTOIR/blob/main/./data/clinc论文
[StackOverflow](https://github.com/thuiar/TEXTOIR/blob/main/./data/stackoverflow论文

集成模型

开放意图检测

模型名称来源发表时间
[OpenMax*](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_OpenMax.sh论文 代码CVPR 2016
[MSP](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_MSP.sh论文 代码ICLR 2017
[DOC](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_DOC.sh论文 代码EMNLP 2017
[DeepUnk](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_DeepUnk.sh论文 代码ACL 2019
[SEG](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_SEG.sh论文 代码ACL 2020
[ADB](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_ADB.sh论文 代码AAAI 2021
[(K+1)-way](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_K+1-way.sh论文 代码ACL 2021
[MDF](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_MDF.sh论文 代码ACL 2021
[ARPL*](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_ARPL.sh论文 代码IEEE TPAMI 2022
[KNNCL](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_KNNCL.sh论文 代码ACL 2022
[DA-ADB](https://github.com/thuiar/TEXTOIR/blob/main/./open_intent_detection/examples/run_DA-ADB.sh论文 代码IEEE/ACM TASLP 2023

新意图发现

设置模型名称来源发表时间
无监督[KM](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_KM.sh论文BSMSP 1967
无监督[AG](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_AG.sh论文PR 1978
无监督[SAE-KM](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_SAE.sh论文JMLR 2010
无监督[DEC](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_DEC.sh论文 代码ICML 2016
无监督[DCN](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_DCN.sh论文 代码ICML 2017
无监督[CC](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_CC.sh论文 代码AAAI 2021
无监督[SCCL](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_SCCL.sh论文 代码NAACL 2021
无监督[USNID](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_unsup_usnid论文 代码IEEE TKDE 2023
半监督[KCL*](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_KCL.sh论文 代码ICLR 2018
半监督[MCL*](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_MCL.sh论文 代码ICLR 2019
半监督[DTC*](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_DTC.sh论文 代码ICCV 2019
半监督[CDAC+](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_CDACPlus.sh论文 代码AAAI 2020
半监督[DeepAligned](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_DeepAligned.sh论文 代码AAAI 2021
半监督[GCD](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_GCD.sh论文 代码CVPR 2022
半监督[MTP-CLNN](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_MTP_CLNN.sh论文 代码ACL 2022
半监督[USNID](https://github.com/thuiar/TEXTOIR/blob/main/./examples/run_semi_usnid.sh论文 代码IEEE TKDE 2023

(* 表示将CV模型替换为BERT主干网络)

快速开始

  1. 使用anaconda创建Python(版本 >= 3.6)环境
conda create --name textoir python=3.6
conda activate textoir
  1. 安装PyTorch(Cuda版本11.2)
conda install pytorch torchvision torchaudio cudatoolkit=11.0 -c pytorch -c conda-forge  
  1. 克隆TEXTOIR仓库,并选择任务(以开放意图检测为例)。
git clone git@github.com:thuiar/TEXTOIR.git
cd TEXTOIR
cd open_intent_detection
  1. 安装相关环境依赖
pip install -r requirements.txt
  1. 运行示例(以ADB为例)
sh examples/run_ADB.sh
  • 请注意,如果您无法直接从HuggingFace transformers下载预训练模型,则需要自行下载。我们在以下链接中提供了预训练的bert模型:
    百度网盘 提取码: v8tk

可扩展性

该工具包具有可扩展性,支持方便地添加新方法、数据集、配置、主干网络、数据加载器和损失函数。更详细的信息可以在open_intent_detectionopen_intent_discovery目录的教程中查看。

引用

如果这项工作对您有帮助,或者您想使用本仓库中的代码和结果,请引用以下论文:

@inproceedings{zhang-etal-2021-textoir,
    title = "{TEXTOIR}:用于文本开放意图识别的集成可视化平台",
    author = "张汉磊 and 李晓腾 and 徐华 and 张盼盼 and 赵康 and 高凯",
    booktitle = "第59届计算语言学协会年会暨第11届自然语言处理国际联合会议论文集:系统演示",
    pages = "167--174",
    year = "2021",
    url = "https://aclanthology.org/2021.acl-demo.20",
    doi = "10.18653/v1/2021.acl-demo.20",
}
@article{DA-ADB, 
    title = {学习开放意图检测的判别性表示和决策边界},  
    author = {张汉磊 and 徐华 and 赵少杰 and 周倩睿}, 
    journal = {IEEE/ACM音频、语音与语言处理汇刊},  
    volume = {31},
    pages = {1611-1623},
    year = {2023}, 
    doi = {10.1109/TASLP.2023.3265203} 
} 
@ARTICLE{USNID,
  author={张汉磊 and 徐华 and 王鑫 and 龙飞 and 高凯},
  journal={IEEE知识与数据工程汇刊}, 
  title={用于无监督和半监督新意图发现的聚类框架}, 
  year={2023},
  doi={10.1109/TKDE.2023.3340732}
} 

贡献者

张汉磊赵少杰王鑫林庭恩周倩睿毛慧生

问题或疑问?

如果您有任何问题,请开启问题并尽可能详细地说明您的问题。如果您想将您的方法整合到我们的代码库中,请随时提交拉取请求!

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多