论文提出LLM客户意图数据集自适应后处理架构
Get the story
2026年10月8日，arXiv Information Retrieval 发表一手论文《从高召回到高效用：LLM 生成客户意图的数据集自适应后处理》。论文提出面向客户意图提取（CIE）的数据集自适应后处理架构，目标是将高召回的 LLM 输出转化为可复用的企业意图单元。方法流程为：先按数据源做预处理并去重；再在共享语义向量空间中，根据候选集特性选择聚类策略；聚类关键词提供可解释层；孤例重分配需满足嵌入相似度与关键词相似度一致；最后用受限语言模型将每个簇聚合为一条意图，并保留溯源与元数据。目前公开信息仅涉及该论文方法，未见实验数据或后续验证报道。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Information Retrieval从高召回到高效用：LLM 生成客户意图的数据集自适应后处理
论文提出一种面向客户意图提取（CIE）的数据集自适应后处理架构，将高召回 LLM 输出转化为可复用的企业意图单元。方法先按数据源做预处理并去重，再在共享语义向量空间中按候选集特性选择聚类策略，聚类关键词提供可解释层，孤例重分配需嵌入与关键词相似度一致，最后用受限语言模型聚合为每个簇一条意图并保留溯源与元数据。
Heat trend
Current heat 9·Comparable peak 10（Oct 8）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.