본 논문은 레이블이 없는 사용자 발화로부터 새로운 의도와 기존 의도를 모두 인식하는 새로운 의도 발견 (NID) 문제를 해결하기 위해, NILC라는 새로운 클러스터링 프레임워크를 제안합니다. NILC는 반복적인 워크플로우를 따르며, 클러스터 중심점과 불확실한 발화의 텍스트 임베딩을 대규모 언어 모델 (LLM)을 사용하여 정교하게 개선합니다. 특히, LLM을 활용하여 클러스터에 대한 추가적인 의미 중심점을 생성하여 임베딩의 유클리드 중심점의 맥락적 의미를 풍부하게 합니다. 또한 LLM을 활용하여 클러스터에서 식별된 어려운 샘플 (모호하거나 간결한 발화)을 재작성하여 클러스터 수정을 수행합니다. 반지도 학습 설정에서 더 정확한 NID를 위해 seeding 및 soft must links와 같은 기법을 통해 감독 신호를 주입합니다. 다양한 도메인의 6개의 벤치마크 데이터 세트에 대한 광범위한 실험을 통해 NILC가 여러 최신 기준선보다 유의미한 성능 향상을 달성함을 입증합니다.
