Afin de relever les défis liés à la génération d'ensembles de données de conversations multilingues à grande échelle et spécifiques à un domaine, cet article présente Chain-of-Intent, un nouveau cadre intégrateur de modèles de Markov cachés (HMM) et de modèles linguistiques à grande échelle (LLM). Chain-of-Intent extrait les schémas de transition d'intention spécifiques à un domaine à partir de journaux de chat e-commerce réels et les exploite pour modéliser la dynamique tour par tour et les séquences d'intention. Il paramétre ensuite les probabilités d'émission des HMM à l'aide de LLM afin de générer des énoncés naturels et cohérents, conformes à l'intention prédite et au contexte de conversation. De plus, nous proposons MINT-CL, un cadre d'apprentissage contrastif multitâche qui améliore les performances tout en réduisant la dépendance à de grands ensembles de données annotées. Les résultats expérimentaux démontrent que la méthode proposée surpasse les modèles de référence concurrents en termes de qualité de génération de dialogues et de précision de classification, notamment dans les environnements multilingues. Enfin, nous publions MINT-E, un corpus complet de conversations multilingues à plusieurs tours, sensible à l'intention et issu du domaine e-commerce, pour de futures recherches.
