融合对话流程与风格的数据增强方法，使口语对话系统适应低资源用户群体
Data Augmentation Integrating Dialogue Flow and Style to Adapt Spoken Dialogue Systems to Low-Resource User Groups
AI总结：
本研究提出一种融合对话流程与风格的数据增强框架，利用LLM提取说话风格和PLM模拟对话行为历史，以提升口语对话系统在低资源用户群体（如未成年人）上的性能，实验验证了其有效性。
摘要：
本研究解决了口语对话系统（SDSs）在与具有独特对话行为的用户（尤其是未成年人）互动时所遇到的交互挑战，特别是在数据稀缺的场景下。我们提出了一种新颖的数据增强框架，以提升对话系统在资源有限用户群体上的性能。我们的方法利用大型语言模型（LLM）提取说话者风格，并利用预训练语言模型（PLM）模拟对话行为历史。该方法生成丰富且个性化的对话数据，促进与独特用户群体的更好交互。大量实验验证了我们方法的有效性，凸显了其在促进开发更具适应性和包容性的对话系统方面的潜力。
英文摘要：
This study addresses the interaction challenges encountered by spoken dialogue systems (SDSs) when engaging with users who exhibit distinct conversational behaviors, particularly minors, in scenarios where data are scarce. We propose a novel data augmentation framework to enhance SDS performance for user groups with limited resources. Our approach leverages a large language model (LLM) to extract speaker styles and a pre-trained language model (PLM) to simulate dialogue act history. This method generates enriched and personalized dialogue data, facilitating improved interactions with unique user demographics. Extensive experiments validate the efficacy of our methodology, highlighting its potential to foster the development of more adaptive and inclusive dialogue systems.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
