基于知识驱动的渐进思维引导的多轮心理对话数据增强

Jun, 2024

基于知识驱动的渐进思维引导的多轮心理对话数据增强

Data Augmentation of Multi-turn Psychological Dialogue via Knowledge-driven Progressive Thought Prompting

Jiyue Jiang, Liheng Chen, Sheng Wang, Lingpeng Kong, Yu Li...

TL;DR我们提出了一种基于知识驱动的渐进性思维引导方法来生成多轮心理对话，该方法整合了渐进式思维生成器、心理知识生成器和多轮对话生成器，验证了在心理对话领域提升性能的有效性。

Abstract

Existing dialogue data augmentation (DA) techniques predominantly focus on augmenting utterance-level dialogues, which makes it difficult to take dialogue contextual information into account. The advent of large language models (LLMs) has simplified the implementation of multi-turn dia

dialogue data augmentation multi-turn dialogue psychology domain progressive thought prompting psychological dialogue generation

发现论文，激发创造

面向任务导向对话系统的语境数据增强

我们开发了一种新型的对话扩充模型，通过完整的对话上下文生成用户的回合，并通过语言模型的新提示设计和输出重新排序，所生成对话可直接用于训练下游对话系统，在常见的基准数据集 MultiWoZ 和 SGD 上，展示了我们的对话扩充模型生成高质量对话并使对话成功率较基准线提高多达 8%。

Oct, 2023

通过提示进行弱监督的对话理解数据增强

本论文探讨了在缺少数据资源的情况下，利用预先训练好的语言模型进行对话理解中的数据增强的问题，并提出了一种利用弱监督滤波器迭代增强质量的新方法。实验结果表明，在 DailyDialog 和 Facebook 多语言任务导向对话的情感、行为和意图分类任务上使用少量数据作为辅助训练集，可以达到或超过现有的最佳性能。

Oct, 2022

增强心理疗法咨询：利用大型语言模型增强咨询对话的数据增强管道

我们提出了一个使用大型语言模型将单轮心理疗法咨询会话转化为多轮交互的流程，通过信息提取和多轮咨询生成两个主要步骤，显著提高了大型语言模型在心理健康咨询方面生成高质量多轮对话的能力。

Jun, 2024

QDA-SQL：问题增强对话增强的多轮文本到 SQL

提出了一种名为 QDA-SQL 的新型数据增强方法，通过使用 LLMs 生成多种类型的多轮问答对，以提高针对复杂多轮 Text-to-SQL 任务的 LLMs 性能。实验证明，QDA-SQL 可以使经过微调的模型在 SQL 语句准确性方面表现更好，并提高它们处理复杂不可回答问题的能力。

Jun, 2024

低资源开放领域对话生成的可控且多样化的数据增强

利用大规模语言模型 (LLM) 进行以摘要为基础的对话增强 (SDA) 以提高语义多样性和控制能力，通过生成高质量和多样化的对话数据来增强开放领域对话模型的性能。

Mar, 2024

多阶段提示的知识对话生成

本研究提出一种多阶段提示方法，利用单个预训练语言模型生成知识响应，并通过对话上下文和先前生成的知识生成响应，其产生的响应知识性和参与度出色于微调对话模型。

Mar, 2022

基于主题感知的多回合对话理解

该研究提出了一种从主题感知的角度对多轮对话进行建模，使用对话切分算法将对话段落无监督地拆分为主题集中的片段，并将这些片段作为主题感知的语言处理单元用于进一步的对话理解。通过在聚类系统中设计自训练自编码器，并构建两个构造的数据集进行评估，我们展示了拆分段落在域内主题检测和定位方面的便利性。同时，拆分段落也是多轮对话响应选择的适当元素，为此，我们提出了 Topic-Aware Dual-Attention Matching (TADAM) 网络模型，它以主题片段作为处理元素，并使用双交叉注意力匹配响应候选项。通过对三个公共基准测试的实证研究，我们发现相对于基准，该模型取得了显著的改进。该研究延续了先前的文档主题研究，并通过详尽的实验和分析将对话建模引入了新的主题感知视角。

Sep, 2023

自我解释提示改善大型语言模型中的对话理解

通过自解释提示策略来增强大语言模型在多轮对话中的理解能力，实验证实该方法在多个基准数据集上持续优于其他零样本提示，并达到或超过少样本提示的效果，证明其在提升大语言模型在复杂对话任务中的理解能力方面具有潜力。

Sep, 2023

对话人工智能的数据增强

对话系统中的数据扩充方法提供了关键的方法来解决数据稀缺问题，并探讨了对话系统中的生成、评估等任务中的挑战与未来方向。

Sep, 2023

面向对话语言理解的序列到序列数据增强

本研究针对面向任务对话系统中语言理解的数据增强问题，提出了基于序列到序列生成的数据增强框架来提高模型的性能，该框架利用训练数据中某个话语的同义替代品来增强数据，将多样性排名纳入话语表示中，生成多样性增加的话语，实验证明在仅有数百个话语的情况下，在 Airline Travel Information System 数据集和 Stanford Multi-turn，Multidomain Dialogue 数据集上都取得了显著的 6.38 和 10.04 分数提高。

Jul, 2018