1.一种基于有监督对比学习的开放服务意图检测方法，其特征在于，包括以下步骤：S1：对原始数据集中的意图事件文本分类，将数据集分为域内样本IND和域外样本OOD；

S2：对数据集进行数据预处理，删除文本中多余的空格和标点符号；

S3：将步骤S2预处理得到的IND样本进行BERT编码，得到整个文本的句向量表示；

S4：基于步骤S3得到的句向量表示，通过线性分类层，利用交叉熵损失函数Softmax‑Loss来捕获同一类的特征，得到交叉熵损失S5：基于步骤S3得到的句向量表示，使用有监督对比学习，扩大不同类的特征差异和缩小同一类的特征差异，得到监督对比学习损失S6：基于步骤S4和步骤S5分别得到的交叉熵损失和监督对比学习损失，相加得到微调阶段的整体损失，进行训练优化，得到具有区分度的特征提取器模型；

S7：基于步骤S2得到的预处理后的IND样本，通过Mix‑up操作构造出人工合成的OOD样本；

S8：嵌入表示，把已知IND样本、已知OOD样本和步骤S7中人工合成的OOD样本这三部分数据输入步骤S6得到的特征提取器，得到每个样本的句嵌入向量表示；

S9:多任务联合优化，包括两个部分，第一部分是多分类任务，从步骤S8输入的样本中筛选出IND样本，利用SoftMax交叉熵损失进行优化，得到任务损失；第二部分是置信度学习任务，得到一个样本归属于新事件的置信度损失；将两部分损失相加训练得到开放意图检测模型。

2.根据权利要求1所述的基于有监督对比学习的开放服务意图检测方法，其特征在于，步骤S1所述的意图事件文本分类，具体为：原始数据集中的意图事件文本都属于域内样本，使用随机删除的方式，删除一定比例的域内样本标签，并把对应的意图事件文本重新标记为域外样本；得到剩下的域内样本和重新标记过的域外样本。

3.根据权利要求1所述的基于有监督对比学习的开放服务意图检测方法，其特征在于，步骤S3具体为：给定一个文本s，对于文本中的每一个单词Ti输入到BERT模型中：xj＝mean‑pooling(BERT(CLS,T1,T2…,TN))

其中CLS表示下游任务的分类标签，N表示文本的长度，mean‑pooling表示对BERT得到的每个词的语义进行均值处理，最后得到xj表示整个文本的句向量表示。

4.根据权利要求1所述的基于有监督对比学习的开放服务意图检测方法，其特征在于，步骤S4具体为：使用交叉熵损失函数优化BERT的参数，为了学习每个事件类型的标签信息，使用已知的标签信息作为先验知识来微调模型，并使用一个损失为Softmax‑loss的线性分类器，得到交叉熵损失

5.根据权利要求1所述的基于有监督对比学习的开放服务意图检测方法，其特征在于，步骤S5具体为：对于一个有C个类的多分类任务来说，一个批次内包含M个样本，表示为其中di表示输入的事件文本，yi表示该事件文本所属的事件类型，通过监督对比学习得到该任务的监督对比损失其中A(i)＝{1,…,M}\{i}表示所有的锚点样本的集合，P(i)＝{p∈A(i):yi＝yp}是事件标签为i的样本集合，τ是温度超参数，zi表示BERT模块得到的特征表示，za表示不同锚点的特征表示，zp表示事件标签为i的样本的特征表示。

6.根据权利要求1所述的基于有监督对比学习的开放服务意图检测方法，其特征在于，ood步骤S7中，通过Mix‑up操作构造出人工合成的OOD样本的方法为：合成的OOD样本x 是通过对两个不同类别的已知类样本加权求和计算产生的：ood

x ＝α*xi+(1‑α)*xj

其中xi和xj是来自不同IND事件类型的两个事件文本的句向量表示，α是一个从0到1的均匀分布。

7.根据权利要求1所述的基于有监督对比学习的开放服务意图检测方法，其特征在于，步骤S9中所述的这两个部分接收相同的输入，即来自BERT的输出；然后两个部分经过不同的多层感知机MLP；置信度学习任务的最后一层使用一个sigmoid激活函数在0‑1之间调整置信度ci。

8.根据权利要求7所述的基于有监督对比学习的开放服务意图检测方法，其特征在于，步骤S9中的多分类任务具体为：挑选出所有IND样本，然后使用交叉熵CE(…)来计算任务损失其中Li表示样本的真实标签，pi表示概率向量，n为IND样本的数量。

9.根据权利要求7所述的基于有监督对比学习的开放服务意图检测方法，其特征在于，步骤S9中的置信度学习任务具体为：利用置信度进行OOD检测：其中ci是由sigmoid激活函数产生的置信度；对于OOD样本，用1减去ci，得到目标置信度c′i，否则保留ci作为c′i；然后使用c′i的负似然对数 作为置信度损失训练完模型后， 将归于0，它使IND样本的ci接近于1，OOD样本的ci接近于0；在实际应用中，预先设定一个置信度阈值θ，如果样本的置信度ci小于置信度阈值θ，则将其认为是OOD样本，反之则为IND样本。