AutoIntent/clinc150

clinc150是一个文本分类数据集，旨在用于机器学习研究和实验。该数据集通过格式化另一个公开数据集以兼容AutoIntent库而获得。

clinc150 is a text classification dataset intended for machine learning research and experimentation. This dataset is obtained via formatting another publicly available data to be compatible with the AutoIntent Library.

搜集汇总

数据集介绍

构建方式

在自然语言处理领域中，意图识别是对话系统的核心任务之一，而高质量的数据集是推动该领域发展的基石。AutoIntent/clinc150数据集源自公开的CLINC150数据集，经过精心格式转换以适配AutoIntent库的规范。构建过程中，首先从原始数据集中提取150个领域内意图及一个“域外”（OOD）类别，通过映射函数为每个意图分配唯一标识符。随后，对训练、验证和测试三个子集分别处理，将用户话语与对应意图标签配对，并保留OOD样本以增强模型对未知输入的鲁棒性。最终，通过AutoIntent库的Dataset.from_dict方法，将处理后的样本和意图元数据整合成标准格式，确保数据的一致性与可复用性。

特点

该数据集具备鲜明的结构化特征，为多场景意图识别研究提供了坚实基础。它包含150个细粒度意图类别，覆盖银行、旅行、天气等广泛领域，并独立设有OOD类别以支持开放集识别任务。数据划分科学合理，训练集包含15,200条样本，验证集3,100条，测试集5,500条，比例均衡且规模适中，兼顾模型训练效率与评估可靠性。此外，数据集提供多种配置，包括默认的文本-标签对、纯意图元数据以及由Qwen3-32B模型增强的意图描述，后者通过正则表达式和自然语言描述丰富了语义信息，有助于提升模型对意图边界的理解能力。

使用方法

该数据集的设计初衷是简化机器学习研究中的实验流程，尤其适用于AutoIntent库的用户。使用者可通过一行Python代码从HuggingFace Hub加载数据集，例如from autointent import Dataset; dataset = Dataset.from_hub('AutoIntent/clinc150')，即可获取包含训练、验证、测试子集及意图元数据的完整对象。数据集支持灵活的子集访问与样本迭代，便于进行模型训练、超参数调优和性能评估。对于进阶应用，开发者可借助AutoIntent库的内置功能，如OOD检测、少样本学习等，直接基于该数据集构建和对比意图识别流水线，从而加速研究迭代并确保实验的可重复性。

背景与挑战

背景概述

CLINC150数据集由麻省理工学院与微软研究院等机构的研究人员于2019年共同创建，旨在推动面向任务的对话系统中意图识别与开放集检测的研究。该数据集涵盖了150个细粒度意图类别，并特别引入了“域外”（OOD）样本，以模拟真实场景中用户输入超出预定义意图范围的情况。其核心研究问题在于如何使模型既能准确分类已知意图，又能可靠地识别未知意图，从而提升对话系统的鲁棒性与安全性。CLINC150已成为意图识别与开放集学习领域的重要基准，被广泛应用于评估各类分类算法与OOD检测方法的性能。

当前挑战

CLINC150所解决的领域挑战主要在于意图分类中的开放集检测问题，即模型需同时处理已知类别分类与未知类别拒识，这对传统封闭集分类器构成了根本性挑战。此外，数据集的构建过程同样面临多重难点：首先，需要精心设计150个覆盖银行、旅游、家居等多个领域的意图类别，确保其多样性与实际应用相关性；其次，域外样本的收集与标注需模拟真实用户可能提出的各种无关请求，这要求大量人工撰写与筛选；最后，数据集还需在训练、验证与测试集间保持意图分布的一致性，同时确保域外样本在测试集中具有足够的代表性与难度，以有效评估模型的泛化能力。

常用场景

经典使用场景

在对话系统和自然语言理解领域，意图识别是构建智能助手的核心任务之一。AutoIntent/clinc150数据集作为经典的多类别文本分类基准，覆盖了150个细粒度意图类别，广泛应用于训练和评估面向任务的对话系统中的意图分类模型。该数据集精心划分了训练、验证和测试集，并包含开集样本以模拟真实世界中的未知意图场景，为研究小样本学习、领域泛化及开集识别提供了标准化的实验平台。

衍生相关工作

基于AutoIntent/clinc150数据集，衍生出一系列具有影响力的研究工作，包括基于对比学习的意图表示方法、面向小样本场景的元学习框架，以及结合生成式模型的开集检测策略。该数据集还催生了AutoIntent库的标准化数据处理流程，使得研究者能够便捷地复现和比较不同分类与检索模型在统一基准上的性能，为意图识别领域的方法创新与公平评估奠定了重要基础。

数据集最近研究

最新研究方向

在对话系统与任务型人机交互的前沿领域，CLINC150数据集已成为评估意图识别与开放集检测（OOD）能力的标杆。当前研究聚焦于融合大语言模型（如Qwen3-32B）的零样本与少样本意图分类，通过语义描述增强对稀有意图的泛化能力，并利用正则匹配技术提升边界案例的鲁棒性。该数据集与AutoIntent库的深度整合，推动了自动化意图发现与多任务学习范式的落地，尤其在与ChatGPT等生成式模型结合的场景中，为构建低资源、高鲁棒性的对话系统提供了关键验证基准。其150类细粒度意图的层次化标签体系，正被广泛用于评估模型在域内分类与域外拒识上的平衡性能，显著影响了金融、医疗等垂直领域的人机交互产品研发。