对话任务模式的生成式归纳：流式细化与模拟交互
Generative Induction of Dialogue Task Schemas with Streaming Refinement and Simulated Interactions
AI总结：
本文提出一种基于生成式文本生成与流式细化、结合模拟交互的槽位模式归纳方法，并改进评估数据与指标，推动对话系统理解与开发。
摘要：
在面向任务的对话（TOD）系统中，槽位模式归纳（SSI）对于在没有人工干预的情况下自动从对话数据中识别关键信息槽位至关重要。本文提出了一种新颖的最先进（SoTA）方法，将SSI表述为文本生成任务，其中语言模型在对话数据流上逐步构建并细化槽位模式。为了开发这种方法，我们提出了一种全自动的基于LLM的TOD模拟方法，该方法为新颖的任务领域创建具有高质量状态标签的数据。此外，我们发现了SSI评估中因数据泄漏和指标与人类判断对齐不佳而导致的问题。我们通过使用我们的模拟方法并辅以人工指导和纠正来创建新的评估数据，以及设计改进的评估指标来解决这些问题。这些贡献为未来的SSI研究奠定了基础，并推动了对话理解和系统开发方面的SoTA。
英文摘要：
In task-oriented dialogue (TOD) systems, Slot Schema Induction (SSI) is essential for automatically identifying key information slots from dialogue data without manual intervention. This paper presents a novel state-of-the-art (SoTA) approach that formulates SSI as a text generation task, where a language model incrementally constructs and refines a slot schema over a stream of dialogue data. To develop this approach, we present a fully automatic LLM-based TOD simulation method that creates data with high-quality state labels for novel task domains. Furthermore, we identify issues in SSI evaluation due to data leakage and poor metric alignment with human judgment. We resolve these by creating new evaluation data using our simulation method with human guidance and correction, as well as designing improved evaluation metrics. These contributions establish a foundation for future SSI research and advance the SoTA in dialogue understanding and system development.
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。
