Para abordar los desafíos de generar conjuntos de datos de conversaciones multilingües a gran escala y específicos de cada dominio, este artículo presenta Chain-of-Intent, un novedoso marco que integra Modelos Ocultos de Markov (HMM) y Modelos de Lenguaje a Gran Escala (LLM). Chain-of-Intent extrae patrones de transición de intenciones específicos de cada dominio de registros de chat de comercio electrónico reales y los utiliza para modelar la dinámica ronda a ronda y las secuencias de intenciones. Posteriormente, parametriza las probabilidades de emisión de los HMM utilizando LLM para generar enunciados naturales y consistentes que se alinean con la intención prevista y el contexto de la conversación. Además, proponemos MINT-CL, un marco de aprendizaje contrastivo multitarea que mejora el rendimiento y reduce la dependencia de grandes conjuntos de datos anotados. Los resultados experimentales demuestran que el método propuesto supera a los modelos de referencia de la competencia tanto en la calidad de la generación de diálogos como en la precisión de la clasificación, especialmente en entornos multilingües. Finalmente, publicamos MINT-E, un corpus completo de conversaciones multilingües, consciente de la intención y de múltiples rondas, derivado del ámbito del comercio electrónico, para futuras investigaciones.
