چکیده: چکیده با گسترش روز افزون استفاده از هوش مصنوعی ، سیستم های مکالمه محوری همچون چت بات ها بسیار پرکاربرد شده است. تشخیص مقصود (ID) کاربر به منظور پاسخگویی بهتر، از ارکان مهم این سیستم ها به شمار می‌رود. پژوهشگران انواع رویکردهای مبتنی بر قانون، مدلهای زبانی آماری یا مبتنی بر شبکههای عصبی و روشهای مبتنی بر یادگیری عمیق را در تشخیص مقصود استفاده نمودند. انوع روشهای یادگیری عمیق مانند شبکه های عصبی بازگشتی (RNN) ، حافظه کوتاه‌مدت طولانی (LSTM)، شبکه عصبی واحد بازگشتی گیتی (GRU) ، و ترنسفرمر ها در این زمینه به کار رفته است. هریک از این روش‌ها توانستند نواقص مدلهای پیش از خود را به نوعی رفع کنند که در نهایت ترنسفرمرها توانستند گوی سبقت را در کارآمدی و دقت از سایر موارد بربایند. ترنسفرمرها که معماری پایهای آنها توسط google ارائه شد، باتوجه به قابلیت محاسبات موازی که در معماری آنها وجود دارد، علاوه بر دقت، سرعت محاسبات را نیز بهبود دادند. در این پایاننامه از یک معماری مبتنی بر ترنسفرمرها برای تشخیص مقصود استفاده شده است. همچنین، با توجه به اینکه افزونگی داده، در اکثر سیستم‌های هوشمند میتواند دقت نهایی را افزایش دهد، به ارزیابی عملکرد انواع روشهای افزونگی داده در زمینه تشخیص مقصود پرداختیم. در افزونگی داده ، با استفاده از روشهای مختلف، کپیهای غیریکسان ولی هممعنا از نمونههای آموزشی ایجاد می-شود. در واقع این روش با چندبرابر کردن حجم داده آموزشی، قدرت مدل یادگیری را افزایش میدهد. البته کارآیی روشهای مختلف افزونگی در حوزههای متفاوت (مثلا متن یا تصویر) کاملا متفاوت از یکدیگر است. همچنین در زمینه پردازش متن نیز، روشهای خاص افزونگی داده متنی، میتوانند در تسکهای مختلف، کارآیی متفاوتی داشته باشند. لذا، به توسعه انواع روشهای افزونگی متن پرداخته و کارآیی آنها را در زمینه تشخیص مقصود ارزیابی نمودیم. در نهایت، آزمایش‌ها و ارزیابیهای مختلف روی دادگان ATIS [1] ما را به این نتیجه رساند که روش افزونگی باز آفرینی یا بازنویسی با نقل به مضمون کردن متون داده آموزشی نسبت به سایر روشهای افزونگی عام (مانند جابجایی کلمات، یا جایگزینی کلمات هم معنی) و روشهای افزونگی مبتنی بر ترجمه، در زمینۀ تشخیص مقصود بهتر عمل میکند.