Duplex Conversation: Towards Human-like Interaction in Spoken Dialogue Systems
Alibaba Group（阿里巴巴集团）
在本文中，我们提出了双工对话，多回合，多模态口语对话系统，使基于电话的代理人与客户像一个人。我们使用电信中全双工的概念来演示什么是类人的交互体验，以及如何通过三个子任务实现平滑的话轮转换：用户状态检测，反向信道选择和闯入检测。此外，我们提出了半监督学习与多模态数据增强，利用未标记的数据，以提高模型的泛化。三个子任务的实验结果表明，该方法取得了一致的改善与基线相比。我们将Duplex Conversation部署到阿里巴巴智能客户服务中，并分享生产中的经验教训。在线A/B实验表明，该系统可以显着减少响应延迟的50%。
2022-06-14 cs.CL
MOSS: End-to-End Dialog System Framework with Modular Supervision
Zhejiang University（浙江大学）；Xiao-i Technology（小i机器人）；University of California, Davis（加州大学戴维斯分校）
训练端到端面向任务的对话系统的一个主要瓶颈是缺乏数据。为了更有效地利用有限的训练数据，我们提出了模块化监督网络（MOSS），一个编码器-解码器的训练框架，可以将监督从各种中间对话系统模块，包括自然语言理解，对话状态跟踪，对话策略学习，和自然语言生成。只有60%的训练数据，MOSS-all（即，MOSS（由所有四个对话框模块进行监督）在CamRest 676上的性能优于最先进的模型。此外，当对话任务具有更复杂的对话状态和动作空间时，引入模块化监督具有更大的好处。在只有40%的训练数据的情况下，MOSS-all在我们介绍的复杂笔记本电脑网络故障排除数据集LaptopNetwork上的表现优于最先进的模型。LaptopNetwork由真实客户和客户服务代理之间的中文对话组成。此外，MOSS框架可以容纳在框架级和模型级都有来自不同对话模块的监督的对话。因此，MOSS在实际部署中的更新非常灵活。
2019-09-12 cs.AI cs.CL
Actionable Conversational Quality Indicators for Improving Task-Oriented Dialog Systems
LivePerson Inc.（LivePerson公司）
本文提出可操作会话质量指标（ACQIs），用于识别和推荐任务型对话系统的改进点，并在商业及公开数据集上验证，预测模型达79%加权F1，可减少81%的改进行动范围。
2021-09-22 cs.AI cs.CL
A Personalized Utterance Style (PUS) based Dialogue Strategy for Efficient Service Requirement Elicitation
Harbin Institute of Technology（哈尔滨工业大学）
随着互联网上服务的蓬勃发展，服务提供商要想准确地向客户提供服务，必须全面、准确、高效地捕捉用户需求。这被称为“服务需求获取（SRE获取）”任务。考虑到客户的数量是巨大的，这是一个低效的方式，服务提供商与每个用户进行面对面的对话。因此，借助虚拟智能助手来获取用户需求已成为一种主流方式。由于用户需求通常由不同层次的细节组成，并且需要通过来自多个域的服务来满足，因此SRE有巨大的潜在需求空间来探索以引出完整的需求。由于传统的静态槽对话系统不能直接应用于SRE任务，因此在如此巨大的潜在需求空间中，如何设计有效的对话策略引导用户表达完整、准确的需求是一个挑战。基于用户倾向于以顺序方式主观地表达需求的现象，提出了个性化话语风格（PUS）模块来感知个性化的需求表达习惯，并将PUS应用于对话策略，以有效地完成SRE任务。具体而言，对话策略选择合适的响应动作来动态更新对话状态。在对话历史中提取PUS的辅助下，系统可以缩小潜在需求空间的搜索范围。实验结果表明，基于PUS的对话策略能够以较少的对话轮数引出更准确的用户需求。
2023-01-07 cs.AI cs.CL
AllWOZ: Towards Multilingual Task-Oriented Dialog Systems for All
Columbia University（哥伦比亚大学）
亚马逊Alexa和苹果Siri等最先进的自然语言技术的一个常见问题是，由于语言障碍，它们的服务无法扩展到大多数发展中国家的公民。这些人群由于缺乏可用的语言资源来构建NLP产品而受到影响。本文介绍了AllWOZ，一个多语言多领域面向任务的客户服务对话数据集，涵盖八种语言：英语，普通话，韩语，越南语，印地语，法语，葡萄牙语和泰语。此外，我们通过应用mT5和元学习为我们的多语言数据集创建了一个基准。
2021-12-15 cs.CL
RSVP: Customer Intent Detection via Agent Response Contrastive and Generative Pre-Training
National Yang Ming Chiao Tung University（国立阳明交通大学）
提出RSVP自监督框架，利用智能体响应通过响应检索和生成两阶段预训练，提升客户意图检测准确率，在两个真实数据集上平均提升4.95%准确率。
2023-10-15 cs.CL
Beyond "How may I help you?": Assisting Customer Service Agents with Proactive Responses
University of California, San Diego（加州大学圣地亚哥分校）；Airbnb, Inc.（爱彼迎公司）
我们研究的问题，提供建议的反应，客户服务代理在实时聊天对话系统。智能回复系统已经广泛应用于现实世界的应用程序（例如Gmail，LinkedIn消息），其中大多数都可以成功地推荐反应式响应。然而，我们注意到，现行方法的一个主要局限性是，它们通常难以建议采取主动调查行动（例如，“你是否在我们这里有其他账户？“），因为缺乏长期的背景信息，而这些信息确实是客户服务代理收集信息和解决客户问题的关键步骤。因此，在这项工作中，我们提出了一种端到端的方法，特别关注在Airbnb的客户服务实时聊天系统中向客户代理提出主动调查问题。我们所提出的方法的有效性可以通过定性和定量的结果进行验证。
2018-11-26 cs.CL cs.IR
Reliable and Interpretable Drift Detection in Streams of Short Texts
IBM Research（IBM研究院）
本文提出一个端到端、模型无关的框架，用于大型任务导向对话系统中的可靠变点检测与漂移解释，并通过模拟客户请求的意图分类数据集验证其有效性。
2023-05-28 cs.CL
Hybrid Code Networks: practical and efficient end-to-end dialog control with supervised and reinforcement learning
Microsoft Research（微软研究院）；Brown University（布朗大学）；JPMorgan Chase（摩根大通）
递归神经网络（RNN）的端到端学习是对话系统的一个有吸引力的解决方案;然而，目前的技术是数据密集型的，需要数千个对话框来学习简单的行为。我们介绍了混合代码网络（HCN），它将RNN与编码为软件和系统动作模板的特定领域知识相结合。与现有的端到端方法相比，HCN大大减少了所需的训练数据量，同时保留了推断对话状态的潜在表示的关键优势。此外，HCN可以用监督学习、强化学习或两者的混合来优化。HCN在bAbI对话数据集上获得了最先进的性能，并且优于两个商业部署的面向客户的对话系统。
2017-04-24 cs.AI cs.CL
Dialog Simulation with Realistic Variations for Training Goal-Oriented Conversational Systems
Cranberry-Lemon University（蔓越莓柠檬大学）
面向目标的对话系统使用户能够完成特定的目标，如请求有关电影的信息或预订机票。通常，对话系统管道包含多个ML模型，包括自然语言理解、状态跟踪和动作预测（策略学习）。这些模型通过监督或强化学习方法的组合进行训练，因此需要收集标记的特定领域数据集。然而，收集带有语言和对话流变化的注释数据集是昂贵的，耗时的，并且由于人类的参与而难以扩展。在本文中，我们提出了一种方法，自动创建一个大型语料库的注释对话从几个彻底注释的示例对话和对话模式。我们的方法包括一种新的目标采样技术，用于对看似合理的用户目标进行采样，以及使用用户与系统（Alexa）之间的启发式相互作用的对话模拟技术，其中用户试图实现采样目标。我们通过生成数据和训练三个不同的下游会话ML模型来验证我们的方法。我们达到18岁了？与仅从现有目录中采样自然语言和实体值变化但不生成任何新的对话流变化的基线对话生成方法相比，在保留测试集上的相对准确度提高了50%。我们还定性地确定，所提出的方法是优于基线。此外，还使用这种方法构建了几种不同的对话体验，使客户能够与Alexa进行各种对话。
2020-11-16 cs.AI cs.CL cs.LG
Towards Universal Dialogue Act Tagging for Task-Oriented Dialogues
Amazon（亚马逊）
用于构建面向任务的对话系统的机器学习方法需要带有标签的大型会话数据集来进行训练。我们对从人与人的对话中构建面向任务的对话系统感兴趣，这些对话可能在现有的客户服务中心日志中大量可用，或者可以从人群工作人员那里收集。注释这些数据集可能非常昂贵。最近发布了多个带注释的面向任务的人机对话数据集，但是它们的注释模式在不同的集合中有所不同，即使是对于定义良好的类别，如对话行为（DA）。我们提出了一个通用的DA模式面向任务的对话，并调整现有的注释数据集与我们的模式。我们的目标是训练一个通用DA标记器（U-DAT）的任务导向的对话，并使用它来标记人与人的对话。我们调查了多个数据集，提出了手动和自动化的方法来调整不同的模式，并在人与人对话的目标语料库上呈现结果。在无监督学习实验中，我们在人与人对话中的系统回合上获得了54.1%的F1分数。在半监督设置中，F1分数增加到57.7%，否则需要至少1.7K手动注释转弯。对于新的域，我们展示了进一步的改进，当未标记或标记的目标域数据可用。
2019-07-05 cs.AI cs.CL
Unified Knowledge Prompt Pre-training for Customer Service Dialogues
Meituan Group（美团集团）
对话机器人已广泛应用于客户服务场景，以提供及时和用户友好的体验。这些机器人必须对对话的适当领域进行分类，理解用户的意图，并生成适当的响应。现有的对话预训练模型只针对多个对话任务，忽略了客户服务对话中弱监督的专家知识。在本文中，我们提出了一个新的统一的知识提示预训练框架，UFA（\textbf{U}任务模型\textbf{F}或\textbf{A} ll任务），为客户服务对话。我们制定的所有任务的客户服务对话作为一个统一的文本到文本的生成任务，并引入知识驱动的提示策略，共同学习不同的对话任务的混合物。我们在从实际场景中收集的大规模中文客户服务语料库上对UFA进行了预训练，并在自然语言理解（NLU）和自然语言生成（NLG）基准测试上得到了显著的改进。
2022-08-31 cs.CL
End-to-end Conversation Modeling Track in DSTC6
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
神经网络的端到端训练是使用人对人对话语料库自动构建对话系统的有前途的方法。最近，Vinyals等人使用OpenSubtitles测试了神经会话模型。Lowe等人发布了Ubuntu Dialogue Corpus，用于研究非结构化多轮对话系统。此外，该方法已被扩展到完成面向任务的对话，以提供适当的信息与自然的对话。例如，Ghazvininejad等人提出了一种基于知识的神经会话模型[3]，该研究旨在使用非结构化数据（如用于会话的Twitter数据和用于外部知识的Foursquare数据）将会话对话与面向任务的知识相结合。然而，该任务仍仅限于餐厅信息服务，尚未在各种对话任务中进行测试。此外，目前还不清楚如何创建可以像人类代理一样响应的智能对话系统。考虑到这些问题，我们提出了一个挑战跟踪到第六届对话系统技术挑战赛（DSTC 6）使用人对人的对话数据，以模仿人类的对话行为。挑战轨道的重点是从人与人的对话中训练端到端的对话模型，并在假设客户服务的各种情况下完成端到端的对话任务，其中系统扮演人类代理的角色，并响应于给定对话上下文的用户的问题或评论生成自然和信息丰富的句子。
2018-01-30 cs.CL
Topic-Oriented Spoken Dialogue Summarization for Customer Service with Saliency-Aware Topic Modeling
Fudan University（复旦大学）；Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）；Indiana University Bloomington（印第安纳大学伯明顿分校）
在客户服务系统中，对话摘要可以通过自动为客户和代理尝试解决有关特定主题的问题的长时间对话创建摘要来提高服务效率。在这项工作中，我们专注于面向主题的对话摘要，它生成高度抽象的摘要，保留对话的主要思想。在口语对话中，大量的对话噪音和共同的语义可能会掩盖潜在的信息内容，使一般的主题建模方法难以应用。此外，对于客户服务而言，特定角色的信息至关重要，是不可或缺的一部分。为了有效地进行主题建模的对话和捕获多角色的信息，在这项工作中，我们提出了一种新的主题增强的两阶段对话摘要（TDS）与显着性感知神经主题模型（SATM）共同面向主题的客户服务对话摘要。对真实世界的中国客户服务数据集的综合研究证明了我们的方法对几个强基线的优越性。
2021-06-25 cs.CL
Jewelry Shop Conversational Chatbot
National University of Computing and Emerging Sciences（国立计算与新兴科学大学）
自从聊天机器人在商业领域出现以来，它们已被广泛应用于客户服务部门。通常，这些商业聊天机器人是基于检索的，因此它们无法响应所提供数据集中缺少的查询。相反，生成式聊天机器人试图创建最合适的响应，但大多无法在客户机器人对话中创建流畅的流程。由于客户端在收到响应后几乎没有继续的选项，因此对话框变得很短。通过我们的工作，我们试图最大限度地提高一个简单的会话代理的智能，以便它可以回答看不见的查询，并生成后续问题或评论。我们已经为一家珠宝店构建了一个聊天机器人，它通过在语料库中找到输入模式的相似性来找到客户查询的潜在目标。我们的系统为客户提供了一个音频输入接口，因此他们可以用自然语言与之交谈。在将音频转换为文本之后，我们训练模型来提取查询的意图，找到适当的响应，并以自然的人类声音与客户交谈。为了衡量系统的性能，我们使用了召回率，精度和F1分数等性能指标。
2022-06-09 cs.AI cs.CL
"How May I Help You?": Modeling Twitter Customer Service Conversations Using Fine-Grained Dialogue Acts
University of California, Santa Cruz（加州大学圣克鲁斯分校）；IBM Research, Almaden（IBM阿尔马登研究中心）
鉴于Twitter上的客户服务对话越来越受欢迎，会话数据的分析对于了解客户和代理行为的趋势以实现客户服务交互的自动化至关重要。在这项工作中，我们开发了一种新的分类细粒度的“对话行为”经常观察到的客户服务，展示行为，更适合域比更通用的现有分类。使用序列SVM-HMM模型，我们建立会话流模型，实时预测给定话轮的对话行为。我们在Twitter的客户服务对话的客户和代理人的行为之间的差异的特点，并调查我们的系统测试对不同的客户服务行业的影响。最后，我们使用数据驱动的方法来预测重要的对话结果：客户满意度，客户挫折感和整体问题解决方案。我们表明，在对话中的某些对话行为的类型和位置有显着的影响，理想和不理想的结果的概率，并提出了可操作的规则，根据我们的研究结果。我们得出的模式和规则可以作为结果驱动的自动化客户服务平台的指导方针。
2017-09-15 cs.CL
Building Korean linguistic resource for NLU data generation of banking app CS dialog system
DICORA, Hankuk University of Foreign Studies（DICORA，韩国外国语大学）；Université Gustave Eiffel（古斯塔夫·伊费尔大学）
本文构建了FIAD语言资源，用于生成韩语NLU任务导向对话系统的数据，通过分析银行应用评论识别出三种韩语请求语句模式，并用LGGs生成标注数据以提升意图和实体识别性能。
2026-05-11 cs.CL cs.LG
Dial-In LLM: Human-Aligned LLM-in-the-loop Intent Clustering for Customer Service Dialogues
Hong Kong Polytechnic University（香港理工大学）；AI Group, WeBank Co., Ltd（WeBank人工智能部门）
本文提出LLM-in-the-loop意图聚类框架，通过整合LLM能力提升客户服务对话意图聚类的准确性和效率。
2025-09-03 cs.CL cs.LG
TWEETSUMM -- A Dialog Summarization Dataset for Customer Service
IBM Research AI（IBM研究院AI）
在典型的客户服务聊天场景中，客户联系支持中心寻求帮助或提出投诉，人工代理试图解决问题。在大多数情况下，在谈话结束时，要求代理写一个简短的摘要，强调问题和建议的解决方案，通常是为了其他代理的利益，可能必须处理相同的客户或问题。本文的目标是推进这一任务的自动化。我们介绍了第一个大规模，高质量，客户关怀对话摘要数据集，接近6500人注释的摘要。这些数据基于真实世界的客户支持对话，包括提取和抽象摘要。我们还介绍了一个新的无监督，提取摘要方法特定的对话。
2021-11-23 cs.CL
A Low-Cost, Controllable and Interpretable Task-Oriented Chatbot: With Real-World After-Sale Services as Example
Meituan Group（美团集团）；National Engineering Research Center for Software Engineering, Peking University（北京大学软件工程国家工程研究中心）
虽然在工业中被广泛使用，但是传统的面向任务的对话系统遭受三个瓶颈：（i）困难的本体构建（例如，意图和插槽）;（ii）可控性和可解释性差;（iii）注释饥渴。在本文中，我们提出了一个更简单的概念表示话语命名为对话行动，在此基础上，我们构建了一个树形结构的任务流，并进一步建立面向任务的聊天机器人与任务流为核心组件。提出了一种基于大规模对话的任务流自动构建和在线部署的框架。通过对实际售后客户服务的实验表明，TaskFlow能够满足客户服务的主要需求，并有效地减轻了开发人员的负担。
2022-05-13 cs.CL
Towards Emotional Support Dialog Systems
Tsinghua University（清华大学）；Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；University of California, Davis（加州大学戴维斯分校）；Columbia University（哥伦比亚大学）
情感支持是许多对话场景的关键能力，包括社交互动，心理健康支持和客户服务聊天。遵循合理的程序和使用各种支持技能可以帮助有效地提供支持。然而，由于缺乏一个设计良好的任务和语料库的有效的情感支持对话，研究建立情感支持到对话系统仍然没有触及。在本文中，我们定义了情绪支持会话（ESC）的任务，并提出了一个ESC框架，这是基于帮助技能理论。我们构建了一个情感支持会话数据集（ESConv），具有丰富的注释（特别是支持策略），处于求助者和支持者模式。为了确保高质量的对话语料库，提供有效的情感支持的例子，我们采取广泛的努力，设计培训教程的支持者和几个机制，在数据汇集的质量控制。最后，我们评估国家的最先进的对话模型提供情感支持的能力。我们的研究结果表明，支持策略在提供有效的情感支持和实用的ESConv在培训更多的情感支持系统的重要性。
2021-06-02 cs.CL
Debbie, the Debate Bot of the Future
University of California, Santa Cruz（加州大学圣克鲁兹分校）
聊天机器人是对话系统的快速扩展的应用，公司转向机器人服务以提供客户支持，并为对休闲对话感兴趣的用户提供新的应用程序。闲聊的一种方式是争论，许多人喜欢的无非是一场精彩的争论。此外，有一些现有的语料库的辩论对话，注释的同意和不同意，立场，讽刺和论点的质量。本文介绍了Debbie，一个新颖的辩论机器人，从会话语料库中选择论点，并旨在适当地使用它们在上下文中。我们提出了一个初步的工作原型黛比，一些初步的评价和描述未来的工作。
2017-09-10 cs.CL
Learning End-to-End Goal-Oriented Dialog with Maximal User Task Success and Minimal Human Agent Use
University of Michigan（密歇根大学）；IBM Research（IBM研究院）；Amazon Alexa-AI Research（亚马逊Alexa人工智能研究院）
神经端到端的目标导向对话系统有望减少客户服务人工代理的工作量，并减少用户的等待时间。然而，它们无法在部署时处理新的用户行为，这限制了它们在现实世界中的使用。在这项工作中，我们提出了一个端到端的可训练的方法，神经目标导向的对话系统，处理新的用户行为在部署通过转移对话到人类智能代理。所提出的方法有三个目标：1）最大限度地提高用户的任务成功转移到人类代理，2）最大限度地减少负载的人类代理转移到他们只有当它是必要的，3）在线学习人类代理的响应，以减少人类代理的负载进一步。我们评估我们提出的方法上修改的bAbI对话任务，模拟的情况下，新的用户行为发生在测试时。实验结果表明，我们提出的方法是有效的，达到预期的目标。
2019-07-17 cs.AI cs.CL
Knowledge-incorporating ESIM models for Response Selection in Retrieval-based Dialog Systems
IBM Research（IBM研究院）
面向目标的对话系统可以端到端地训练，而无需手动编码特定于域的特征，在客户支持用例中显示出巨大的前景，例如航班预订、酒店预订、技术支持、学生咨询等。这些对话系统必须学会与外部域知识交互以实现期望的目标，例如向学生推荐课程，本文提出了扩展的增强型顺序推理模型（ESIM）模型：a）K-ESIM（Knowledge-ESIM），它结合了外部领域知识; b）T-ESIM（Targeted-ESIM），它利用来自相似会话的信息来提高预测精度。我们提出的模型和基线ESIM模型在最新的对话系统技术挑战赛（DSTC 7）的句子选择轨道中的Ubuntu和Advising数据集上进行了评估，其目标是从一组候选人中找到正确的下一个话语。我们的初步研究结果表明，结合外部知识来源和利用信息，从类似的对话导致性能的改善，预测下一个话语。
2019-07-11 cs.AI cs.CL cs.IR
End-to-End Conversational Search for Online Shopping with Utterance Transfer
Shanghai Jiao Tong University（上海交通大学）；Amazon.com, Inc.（亚马逊公司）
成功的会话搜索系统可以为在线购物客户提供自然、自适应和交互式的购物体验。然而，从头开始构建这样的系统面临着现实的挑战，从不完善的产品模式/知识和缺乏训练对话data.In这项工作中，我们首先提出了ConvSearch，一个端到端的会话搜索系统，深入结合了对话系统与搜索。它利用文本配置文件来检索产品，与单独使用产品属性相比，它对不完善的产品模式/知识更鲁棒。然后，我们提出了一种话语传输方法，通过使用现有的对话从其他领域，并利用电子商务零售商的搜索行为数据生成对话话语，以解决缺乏数据的挑战。通过话语转移，我们引入了一个新的在线购物会话搜索数据集。实验表明，我们的话语转移方法可以显着提高训练对话数据的可用性，而无需众包，会话搜索系统显着优于最佳测试基线。
2021-09-12 cs.AI cs.CL
Converse: A Tree-Based Modular Task-Oriented Dialogue System
Salesforce Research（赛富时研究院）；Google Research（谷歌研究院）；Microsoft（微软）；Temple University（天普大学）
创建一个可以与人类进行有意义的对话以帮助完成任务的系统是人工智能（AI）的最终目标之一。它从一开始就定义了AI的含义。最近在这一领域已经取得了很大的成就，语音助理产品进入了我们的日常生活，聊天机器人系统在客户服务中变得司空见惯。乍一看，对话系统似乎并不缺乏选择。然而，今天频繁部署的对话系统似乎都在与一个关键弱点作斗争--它们很难构建，也更难维护。斗争的核心是需要编写机器人和人类用户之间交互的每一个回合。这使得对话系统更难以维护，因为任务变得更复杂并且更多的任务被添加到系统中。在本文中，我们提出了Converse，一个灵活的基于树的模块化面向任务的对话系统。Converse使用与或树结构来表示任务，并提供强大的多任务对话管理。Converse支持任务依赖和任务切换，这是与其他开源对话框架相比的独特功能。与此同时，Converse的目标是使机器人构建过程变得简单，无论是专业还是非专业的软件开发人员。该代码可在https://github.com/salesforce/Converse上获得。
2022-05-09 cs.AI cs.CL
The JDDC 2.0 Corpus: A Large-Scale Multimodal Multi-Turn Chinese Dialogue Dataset for E-commerce Customer Service
JD AI Research（京东人工智能研究院）
随着互联网的发展，越来越多的人习惯于网上购物。在与客户服务沟通时，用户可能会通过文本、图像和视频来表达他们的需求，这就需要理解自动客户服务系统的多模态信息。图像通常作为产品型号的鉴别器，或者产品故障的指示器，在电子商业场景中扮演重要角色。另一方面，由图像提供的详细信息是有限的，并且通常，客户服务系统在没有输入文本的情况下不能理解用户的意图。因此，弥合图像和文本的差距是至关重要的多模态对话任务。为了解决这个问题，我们构建了JDDC 2.0，这是一个从中国主流电子商业平台（JD.com）收集的大规模多模态多回合对话数据集，包含约24.6万个对话会话，300万个话语和50.7万个图像，以及产品知识库和图像类别注释。基于该数据集，我们给出了JDDC多模态对话挑战赛前5名参赛团队的解决方案，为多模态对话任务的进一步研究提供了有价值的见解。
2021-09-27 cs.CL
CSDS: A Fine-Grained Chinese Dataset for Customer Service Dialogue Summarization
National Laboratory of Pattern Recognition, Institute of Automation, CAS（中国科学院自动化研究所模式识别国家重点实验室）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Fanyu AI Laboratory, Zhongke Fanyu Technology Co., Ltd（中科凡语科技有限公司凡语AI实验室）
对话摘要是近年来备受关注的话题。特别是在客户服务领域，代理人可以使用对话摘要，以帮助提高他们的工作，通过快速了解客户的问题和服务的进展。这些应用程序要求摘要包含单个发言者的观点，并具有清晰的主题流结构，而现有数据集中都没有。因此，在本文中，我们介绍了一个新的中国数据集的客户服务对话摘要（CSDS）。CSDS在两个方面对摘要进行了改进：（1）除了对整个对话进行全面总结外，还提供了面向角色的摘要，以获取不同发言者的观点。(2)所有的摘要都分别总结了每个主题，从而包含了对话的主题层次结构。我们将CSDS中的任务定义为生成给定对话的总体摘要和不同的面向角色的摘要。其次，我们比较了CSDS上的各种摘要方法，实验结果表明，现有的方法容易产生冗余和不连贯的摘要。此外，当分析面向角色的摘要和主题结构的性能时，性能变得更差。希望本研究能为汉语对话摘要的进一步研究提供参考。
2021-09-06 cs.CL
DARD: A Multi-Agent Approach for Task-Oriented Dialog Systems
Carnegie Mellon University（卡内基梅隆大学）；Amazon（亚马逊公司）
针对多领域任务对话系统处理复杂意图与知识的难题，提出多智能体框架DARD，结合小型微调模型与大语言模型，在MultiWOZ基准上取得SOTA性能并分析了数据集相关问题。
2024-11-01 cs.AI cs.CL
Knowledge Augmented Finetuning Matters in both RAG and Agent Based Dialog Systems
EE Department, Tsinghua University（清华大学电子工程系）；China Mobile Research Institute（中国移动研究院）
针对LLMs在知识密集型对话中难以有效利用检索知识的问题，提出知识增强微调（KAFT）方法，在RAG和agent系统中利用领域数据与外部知识微调模型，实验证明其事实准确性显著优于提示方法。
2025-06-28 cs.CL
A Measure for Dialog Complexity and its Application in Streamlining Service Operations
IBM T J Watson Research Center（IBM T·J·沃森研究中心）
对话是服务行业中客户和企业之间互动的自然方式。当客户呼叫服务提供商时，他们的交互可能是常规的或特殊的。我们相信，当这些互动被视为对话时，可以进行分析，以更好地了解客户需求以及如何有效地解决这些问题。我们引入了对话复杂性度量的概念来表征多方交互，提出了一种通用的数据驱动方法来计算它，用它来发现公共和企业对话数据集中的见解，并展示了它在促进更好地处理客户请求和评估服务代理方面的有益用途。
2017-08-04 cs.AI cs.CL
A practical approach to dialogue response generation in closed domains
Amazon Inc.（亚马逊公司）
我们描述了一个原型对话响应生成模型的客户服务领域在亚马逊。该模型以弱监督方式进行训练，使用双编码器网络（一种类似于暹罗的神经网络架构）来测量客户问题和代理答案之间的相似性。答案模板是从过去的代理答案派生的嵌入中提取的，没有逐圈注释。通过从最终模板集中选择最佳模板来生成对客户查询的响应。我们表明，在一个封闭的域，如客户服务，所选的模板覆盖$>$ 70\%的过去的客户查询。此外，模型选择的模板的相关性明显高于标准tf-idf基线选择的模板。
2017-03-28 cs.CL cs.NE
DialogQAE: N-to-N Question Answer Pair Extraction from Customer Service Chatlog
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Tencent Cloud AI（腾讯云人工智能）；Peking University（北京大学）
从客户服务聊天日志中收集问答（QA）对是在冷启动或持续集成场景中丰富客户服务聊天机器人知识库的有效方法。先前的工作试图从不断增长的客户服务聊天日志中获得1对1的QA对，这未能将来自对话上下文的不完整话语整合用于复合QA检索。在本文中，我们提出了N-to-N QA提取任务，其中衍生的问题和相应的答案可能会在不同的话语分离。我们介绍了一套基于生成/区分标记的方法，这些方法具有端到端和两阶段的变体，在5个客户服务数据集上表现良好，并首次建立了具有话语和会话级别评估指标的N-to-N DialogQAE基准。通过深入分析所提取的问答对，我们发现问答对之间和内部的关系可以作为分析对话结构的指标，例如信息寻求，澄清，闯入和阐述。我们还表明，所提出的模型可以适应不同的领域和语言，并减少劳动力成本的知识积累在现实世界的产品对话平台。
2022-12-14 cs.AI cs.CL cs.IR
TOD-ProcBench: Benchmarking Complex Instruction-Following in Task-Oriented Dialogues
Amazon（亚马逊）
TOD-ProcBench提出了一种评估LLM在任务导向对话中遵循复杂指令能力的基准测试，包含三个任务以全面评估模型的理解和生成能力。
2025-11-20 cs.CL
Don't get Lost in Negation: An Effective Negation Handled Dialogue Acts Prediction Algorithm for Twitter Customer Service Conversations
IBM-Research, Almaden（IBM阿尔马登研究中心）；UC Santa Cruz（加州大学圣克鲁兹分校）
在过去的几年里，Twitter被公司作为与客户互动的替代平台，以解决他们的问题。随着这种非传统的会话资源的丰富，开发有效的虚拟代理比以往任何时候都更加迫切。为了应对这一挑战，需要更好地了解此类客户服务对话。最近，有几个作品提出了一种新的分类细粒度的对话行为，以及开发算法自动检测这些行为。这些工作的成果为建立高效和有效的虚拟代理的最终目标提供了垫脚石。但这些作品都没有考虑处理的概念，否定到所提出的算法。在这项工作中，我们开发了一个基于SVM的Twitter客户服务对话的对话行为预测算法，其中否定处理是端到端解决方案的一个组成部分。对于否定处理，我们提出了几种有效的算法，并采用了最新的基于第三方机器学习的解决方案。从经验上讲，我们在处理否定时显示了模型的性能增益，而不是当我们不处理时。实验表明，对于非正式文本，如推文，基于语义的方法是更有效的。
2018-07-16 cs.AI cs.CL
BotSIM: An End-to-End Bot Simulation Framework for Commercial Task-Oriented Dialog Systems
Salesforce Research（赛富时研究院）；AWS AI Research & Education（亚马逊云科技人工智能研究与教育部门）
我们提出了BotSIM，一个数据高效的端到端Bot SIMulation工具包，用于商业基于文本的面向任务的对话（TOD）系统。BotSIM由三个主要部分组成：1）一个生成器，它可以从机器人定义中推断语义级对话行为和实体，并通过基于模型的释义生成用户查询; 2）一个基于机器人的对话用户模拟器（ABUS），用于模拟与对话代理的对话; 3）一个补救者来分析模拟的对话，可视化机器人运行状况报告，并为机器人故障排除和改进提供可操作的补救建议。我们通过两个商业机器人平台的案例研究展示了BotSIM在端到端评估、补救和多意图对话生成方面的有效性。BotSIM的“生成-模拟-修复”范式通过以下方式加速了端到端机器人评估和迭代过程：1）减少手动测试用例创建工作; 2）通过广泛的对话模拟在NLU和端到端性能方面实现机器人的整体衡量; 3）通过可操作的建议改进机器人故障排除过程。我们的系统演示可以在https://tinyurl.com/mryu74cd上找到，演示视频可以在https://youtu.be/qLi5iSoly30上找到。我们在https://github.com/salesforce/botsim上开放了该工具包的源代码
2022-11-30 cs.CL
Augmenting Non-Collaborative Dialog Systems with Explicit Semantic and Strategic Dialog History
Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）；Computer Science Department, University of California, Davis（加利福尼亚大学戴维斯分校计算机科学系）
我们研究非合作对话，其中两个代理人有利益冲突，但必须战略性地沟通以达成协议（例如，谈判）。这种设置为对话历史建模带来了新的挑战，因为对话的结果不仅依赖于语义意图，而且还依赖于传达意图的策略。我们建议使用有限状态转换器（FST）的语义和战术的历史模型。与RNN不同，FST可以通过遍历的所有状态显式地表示对话历史，从而促进对话结构的可解释性。我们训练FST在谈判对话中使用的一套战略和战术。训练的FST显示出合理的策略结构，并且可以推广到其他非协作域（例如，说服）。我们通过将FST纳入一个自动谈判系统和一个说服系统来评估FST，该系统试图销售产品，该系统说服人们向慈善机构捐款。实验表明，显式建模的语义和策略的历史是一种有效的方法，以提高双方的对话策略规划和生成性能。
2019-09-30 cs.CL
Discovering Conversational Dependencies between Messages in Dialogs
University of Waterloo（滑铁卢大学）；The Ohio State University（俄亥俄州立大学）
我们调查的任务，推断一对一的在线聊天，这已成为最流行的形式之一的客户服务的消息之间的会话依赖关系。我们提出了一种新的概率分类器，利用会话，词汇和语义信息。该方法是经验评估的一组客户服务聊天记录从中国电子商务网站。它优于启发式基线。
2016-12-08 cs.CL
Benchmarking and Learning Real-World Customer Service Dialogue
ByteDance, Beijing, China（字节跳动，北京，中国）
针对工业智能客服与真实对话需求脱节的问题，提出OlaBench基准和OlaMind模型，通过蒸馏专家推理模式与分阶段强化学习，在OlaBench上超越GPT-5.2和Gemini 3 Pro，在线A/B测试中问题解决率提升23.67%，人工转接率降低6.6%。
2026-05-25 cs.CL
Heuristic-based Inter-training to Improve Few-shot Multi-perspective Dialog Summarization
IBM Research AI（IBM研究院人工智能部门）
许多组织要求他们的客户服务代理手动总结他们与客户的对话。这些摘要对于组织的决策目的至关重要。需要创建的摘要透视图取决于摘要的应用。通过这项工作，我们研究了支持代理和客户之间的客户关怀对话的多角度总结。我们观察到，有不同的算法与不同视角的摘要相关，并探索这些算法来创建弱标记数据，用于模型的中间训练，然后用稀缺的人类注释摘要进行微调。最重要的是，我们表明，我们的方法支持模型生成多角度的摘要与非常少量的注释数据。例如，我们的方法通过仅使用7%的原始数据进行训练，实现了使用原始数据训练的模型的94%的性能（Rouge-2）。
2022-03-30 cs.CL
Toward Continual Learning for Conversational Agents
Microsoft Research（微软研究院）
虽然端到端神经会话模型在减少手工制作的功能和传统复杂系统架构引起的错误方面取得了可喜的进展，但由于缺乏模块化，它们通常需要大量的数据。以前的研究采用了混合的方法，以知识为基础的组件，要么抽象出特定领域的信息，或增加数据，以涵盖更多样化的模式。相反，我们建议使用神经模型持续学习空间的最新发展来直接解决这个问题。具体来说，我们采用了一个独立于域的神经会话模型，并引入了一种新的神经持续学习算法，该算法允许会话代理以数据有效的方式在不同的任务中积累技能。据我们所知，这是将持续学习应用于会话系统的第一项工作。我们验证了我们的方法的有效性，通过会话技能转移，无论是合成对话或人与人的对话，人机对话中的客户支持域。
2018-01-09 cs.AI cs.CL cs.HC
The JDDC Corpus: A Large-Scale Multi-Turn Chinese Dialogue Dataset for E-commerce Customer Service
JD AI（京东人工智能）
人类的对话是复杂的，构建一个类似人类的对话代理是一项极具挑战性的任务。随着深度学习技术的快速发展，数据驱动模型越来越普遍，需要大量的真实会话数据。本文构建了一个大规模的真实场景中文电子商业会话语料库JDDC，拥有超过100万个多话轮对话，2000万个话语，1.5亿个单词。该数据集反映了人与人之间对话的几个特征，例如，目标驱动，长期依赖于上下文。它还涵盖了各种对话类型，包括任务导向，闲聊和问答。还提供了额外的意图信息和三个注释良好的挑战集。然后，我们评估了几个基于检索和生成模型，以提供JDDC语料库的基本基准性能。我们希望JDDC能够成为一个有效的实验平台，为对话任务的基础研究提供有益的帮助
2020-03-24 cs.AI cs.CL cs.IR
EmoTwiCS: A Corpus for Modelling Emotion Trajectories in Dutch Customer Service Dialogues on Twitter
Ghent University（根特大学）；Imec Belgium（比利时微电子研究中心）
本文构建并标注了含 9,489 段荷兰语 Twitter 客服对话的 EmoTwiCS 语料库，用于建模客户情绪轨迹，并通过一致性评估与多层分析验证其研究价值。
2023-10-10 cs.CL
HR-MultiWOZ: A Task Oriented Dialogue (TOD) Dataset for HR LLM Agent
Amazon（亚马逊）；University of Milano-Bicocca（米兰-比科卡大学）
针对HR领域LLM智能体缺乏高质量标注对话数据集、现有数据集不匹配员工需求且收集真实对话有隐私风险的问题，提出首个HR领域开源标注对话数据集HR-Multiwoz，含550段对话覆盖10个领域，还给出可迁移的低人力成本数据生成流水线。
2024-02-01 cs.AI cs.CL
Learning Conversational Systems that Interleave Task and Non-Task Content
Carnegie Mellon University（卡内基梅隆大学）
面向任务的对话系统已经应用于各种任务，例如自动化个人助理、客户服务提供者和教师。当用户有清晰明确的意图，并且与系统的功能保持一致时，这些系统就能很好地工作。然而，如果用户的意图不明确，它们就会失败。为了解决这个缺点，我们提出了一个框架，将非任务内容（即日常社交对话）插入任务对话。当任务内容失败时，系统仍然可以保持用户参与非任务内容。我们使用强化学习算法训练策略，以促进长话轮会话的连贯性和一致性，从而使系统能够在任务和非任务内容之间平滑过渡。为了测试所提出的框架的有效性，我们开发了一个电影推广对话系统。与人类用户的实验表明，一个系统，交错的社会和任务内容实现了更好的任务成功率，也被评为更吸引人相比，一个纯粹的面向任务的系统。
2017-03-01 cs.AI cs.CL cs.HC
Abstractive Dialog Summarization with Semantic Scaffolds
Zhejiang University（浙江大学）；University of California, Davis（加州大学戴维斯分校）
在现实世界的应用中，对抽象对话摘要的需求正在增长。例如，客户服务中心或医院希望总结客户服务互动和医患互动。然而，由于缺乏合适的数据集，很少有研究者探讨对话的摘要。我们提出了一个抽象的对话摘要数据集的基础上MultiWOZ。如果我们直接应用以前的国家的最先进的文件摘要对话框的方法，有两个显着的缺点：信息实体，如餐厅名称是难以保存，和内容从不同的对话域有时不匹配。为了解决这两个缺点，我们提出了脚手架指针网络（SPNet），利用现有的注释扬声器角色，语义槽和对话域。SPNet将这些语义支架用于对话摘要。由于ROUGE不能捕捉到上述两个缺点，我们还提出了一个新的评估指标，认为关键的信息实体的文本。在MultiWOZ上，我们提出的SPNet在所有自动和人工评估指标上都优于最先进的抽象摘要方法。
2019-10-02 cs.CL
MindFlow+: A Self-Evolving Agent for E-Commerce Customer Service
Xiaoduo AI Lab, Shanghai, China（小多AI实验室，上海，中国）；University of Dayton, Dayton, Ohio, United States（Dayton大学，俄亥俄州，美国）
本文提出自进化电商客服智能体 MindFlow+，融合 LLM、模仿学习与离线 RL，并通过工具增强示范和奖励条件化数据建模提升多轮对话与工具使用能力。
2025-07-25 cs.CL
AdaCoach: A Virtual Coach for Training Customer Service Agents
Ant Group（蚂蚁集团）
随着网上商务的发展，客服人员作为企业与客户之间的接口，逐渐发挥着至关重要的作用。大多数公司花费大量的时间和精力在招聘和培训客户服务代理。为此，我们提出了AdaCoach：一个培训客户服务代理的虚拟教练，以提高新雇用的服务代理在他们开始工作之前的能力。AdaCoach旨在模拟寻求帮助的真实客户，并主动与客户服务代理进行对话。此外，AdaCoach使用自动化的对话评估模型来对客户代理在培训过程中的表现进行评分，这可以在新雇用的客户服务代理遇到问题时提供必要的帮助。我们应用最新的NLP技术来确保部署系统的高效运行时性能。据我们所知，这是第一个通过人机交互培训客服人员的系统。到目前为止，该系统已经支持了超过50万次模拟培训，培养了超过1000名合格的客户服务人员。
2022-04-27 cs.AI cs.CL
Turning Conversations into Workflows: A Framework to Extract and Evaluate Dialog Workflows for Service AI Agents
Salesforce AI Research（Salesforce AI研究院）
提出从历史对话中提取并评估服务AI智能体工作流的框架，采用检索与QA-CoT提示生成，在ABCD数据集上平均宏精度提升12.16%，评估与人类判断高度一致。
2025-02-24 cs.CL
Retrieval-Augmented Transformer-XL for Close-Domain Dialog Generation
University of Turin（都灵大学）；Nuance Communications Inc.（Nuance通讯公司）
基于transformer的模型在自然语言生成中表现出了很好的模式和结构捕捉能力，并在许多任务中取得了最先进的结果。在本文中，我们提出了一个基于transformer的多轮对话响应生成模型。我们的解决方案是基于一种混合的方法，它增强了基于变换的生成模型与一种新的检索机制，它利用记忆的信息，通过k-最近邻搜索的训练数据。我们的系统在两个由客户/助理对话框制作的数据集上进行评估：由Google发布的Taskmaster-1，拥有高质量，面向目标的会话数据和从真实客户服务呼叫中心收集的专有数据集。两者都能在强基线上获得更好的BLEU分数。
2021-05-19 cs.AI cs.CL
Evaluating Empathetic Chatbots in Customer Service Settings
KMK Consulting, Inc.（KMK咨询公司）；ServiceNow, Inc.（ServiceNow公司）；Unify Square, Inc.（Unify Square公司）
客户服务是一种需要在真人代理响应中产生同理心的设置。最近的进展已经证明了如何训练开放域聊天机器人，以在回应真人话语时表现出同理心。我们发现，一个响应客户查询的混合技能聊天机器人模型更有可能类似于实际的人类代理响应，如果它被训练来识别情感并表现出适当的同理心，而不是没有这种训练的模型。在我们的分析中，我们利用了Twitter客户服务数据集，其中包含<->来自20个知名品牌的客户服务上下文中的数百万个客户代理对话示例。
2021-01-05 cs.CL
End-to-End Offline Goal-Oriented Dialog Policy Learning via Policy Gradient
Amazon（亚马逊）
学习面向目标的对话策略通常利用监督学习算法离线执行，或者利用强化学习（RL）在线执行。此外，随着公司积累了大量客户和训练有素的人类代理之间的对话记录，编码器-解码器方法已经流行起来，因为代理话语可以直接被视为监督，而不需要话语级注释。然而，这样的方法的一个潜在的缺点是，他们近视生成下一个代理话语，而不考虑对话级的考虑。为了解决这个问题，本文描述了一种离线RL方法，用于从未注释的语料库中学习，该方法可以在话语和对话级别上优化面向目标的策略。我们引入了一个新的奖励函数，并使用上政策和关闭政策策略梯度离线学习策略，而不需要在线用户交互或显式的状态空间定义。
2017-12-07 cs.AI cs.CL cs.LG
Linguistic Elements of Engaging Customer Service Discourse on Social Media
University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
客户正在迅速转向社交媒体以获得客户支持。虽然这些平台上的品牌代理商有动机和善意地帮助和吸引客户，但如果他们对客户的最初回应与客户想要接收的特定语气，风格或主题不匹配，他们的努力往往会被忽视。对话的长度可以反映品牌对合作和帮助消费者的最初反应的努力和质量，即使对话的整体情绪可能不是很积极。因此，通过这项研究，我们的目标是弥合现有文献中的这一关键差距，通过分析语言的内容和风格方面，如表达的同理心，心理语言学特征，对话标签，量化个性化的话语，可以影响互动的参与和指标。本文表明，我们可以预测参与使用初始客户和品牌职位。
2022-12-24 cs.CL
Can Small Language Models Handle Context-Summarized Multi-Turn Customer-Service QA? A Synthetic Data-Driven Comparative Evaluation
School of Computing, Informatics Institute of Technology（计算学院，信息学院技术研究所）；School of Mathematics and Computer Science, Swansea University（数学与计算机科学学院，萨默塞特大学）；R&D, Zame AI（Zame AI研发部）
本文通过合成数据评估小语言模型在多轮客户服务问答中的表现，发现部分模型接近大语言模型性能，但整体仍存在对话连续性和上下文对齐的挑战。
2026-08-04 cs.AI cs.CL
