EMNLPOct, 2022

对话式：具有上下文学习的可控对话模拟

PDF
TL;DR这篇论文介绍了一种使用大型语言模型进行对话模拟的方法 —— extsc {Dialogic}，它能够自动选择示例并在 GPT-3 的帮助下生成新的对话和注释，快速扩展小型对话数据集，从而实现更高效和省时的数据集创建。同时，该方法可作为一种有效的数据增强方法，具有接近人类流畅性和注释准确性的模拟对话可以代替人工标注的数据进行模型训练。
dialogue systemsdataset creationdialogue simulationgpt-3data augmentation
发现论文，激发创造
  • 针对任务导向对话系统的上下文学习用户模拟器

    本研究提出了一种基于大型语言模型的用户模拟方法来优化面向任务的对话系统，这种方法通过在用户目标和有限对话示例的基础上产生多样化的话语来消除手工规则定义或广泛注释数据的需要，并对用户模拟器和对话系统之间的相互作用进行了误差分析，提供了改进的有价值见解。

    Jun, 2023

  • PLACES：用于社交对话综合的激励语言模型

    使用专家编写的少量对话作为上下文示例，通过提示生成社交对话数据集，可在多方交流任务中创建更多的合成数据。与人类收集的对话相比，合成的多方交流在所有度量维度上都获得了更多的好评。

    Feb, 2023

  • 可迁移的对话系统和用户模拟器

    通过对话系统和用户模拟器之间的交互，开发了一种建模框架，旨在通过自动对话场景的创建来解决训练数据不足的问题，并使用强化学习来改进智能体的行为，从而在转移学习中提高对话系统性能。

    Jul, 2021

  • 使用大型语言模型进行任务导向对话评估的用户模拟

    为了推动自动化任务导向对话系统的评估，本研究提出了一种基于预训练语言模型的新型用户模拟器，并通过上下文学习来生成具有鲁棒性和语言多样性的输出，以模拟人类对话行为。通过与现有对话系统交互，并收集人机交互数据集，验证了该用户模拟器在单一意图对话目标方面的表现与人类相似。

    Sep, 2023

  • 基于游戏的视频上下文对话

    本文介绍了基于现场足球比赛视频和 Twitch.tv 聊天记录的多说话者、视觉语境下的对话数据集，利用此数据集开发出具有多模态对话技能和视觉定位应用的对话模型，并通过多项评估指标和人类评估研究验证其效果。

    Sep, 2018

  • 通过模仿隐性场景来规范对话生成

    利用场景视角改进生成式对话系统，并使用模仿学习框架进一步内化对话场景，通过分层监督信号转移转移场景知识来优化对话模型，提升对话多样性、相关性和表现出场景特定的知识

    Oct, 2020

  • LUCID: LLM 生成的复杂有趣对话短语

    通过模块化和高度自动化的 LUCID 系统，我们产生了一个包含 4,277 个跨 100 个意图的多领域、多意图对话的种子数据集，其中包含了各种具有挑战性的现象和多样的用户行为。

    Mar, 2024

  • 基于大语言模型的对话式生成自动驾驶仿真场景

    本文描述了一个支持扩展多模态交互的系统，通过使用大型语言模型 (LLMs) 将用户的英语语句映射到领域特定的代码，我们探索了 LLMs 在上下文敏感性方面捕捉演算发言者意图的程度。

    Oct, 2023

  • NeuralWOZ: 基于模型的仿真学习任务导向对话收集

    本文提出了一种新型的对话收集框架，名为 NeuralWOZ，该框架使用基于模型的对话模拟，并且使用 collector 和 labeler 两个模型，其中 collector 生成对话，而 labeler 则将生成的对话进行注释并将注释形成为一个多项选择问题。这个方法在对话状态跟踪的零样例转移学习中表现出了很好的效果，产生的合成对话语料库在多个领域上以 4.4％的联合目标准确度和 5.7％的待测试覆盖率的改善实现了新的最高水平。

    May, 2021

  • 通过提示实现可控的混合主动对话生成

    研究采用大型语言模型替代 fine-tuning 来实现可控制的混合对话，并在 PersuasionForGood 和 Emotional Support Conversations 两个任务中通过人类评估和自动度量标准显示了改进。

    May, 2023