Cite Before You Speak: Enhancing Context-Response Grounding in E-commerce Conversational LLM-Agents
Amazon(亚马逊)
针对电商对话购物智能体的幻觉与来源不可验证问题,本文提出引用生成范式及 Multi-UX-Inference 系统,通过自动评估和在线 A/B 测试验证其可提升事实落地、客户信任与参与度。
2025-05-13 cs.AI 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
Dimensionality in Satisfaction Ratings
该研究用大语言模型注释消费品公司对话文本,分解客户服务满意度为多轴,验证注释与客户自评的关系,发现轴间相关性及共线性,指出分解价值在于归因和覆盖,能识别对话数据中细微的客户体验驱动因素。
2026-07-14 cs.CL
Automated test generation to evaluate tool-augmented LLMs as conversational AI agents
Zendesk
针对工具增强型LLM作为对话式AI智能体评估难的问题,提出带中间图约束的自动化测试生成流水线及客服场景数据集ALMITA,验证了现有模型在完整对话处理上的不足,方法可跨领域通用。
2024-10-10 cs.AI cs.CL cs.LG
DocTalk: Scalable Graph-based Dialogue Synthesis for Enhancing LLM Conversational Capabilities
Nanyang Technological University(南洋理工大学);Amazon(亚马逊)
针对LLM预训练数据与多轮对话能力不匹配的问题,提出基于图的对话合成流水线,构建DocTalk语料库,预训练后上下文记忆和理解提升达40%。
2025-07-08 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
Can LLMs Generate High-Quality Task-Specific Conversations?
本文提出一个参数化框架,通过六个维度上的九个关键参数控制LLM对话质量,实验证明其产生显著差异,并解决了主题连贯性等挑战,为教育、治疗等领域提供标准化控制方法。
2025-08-04 cs.AI cs.CL
TANet: Thread-Aware Pretraining for Abstractive Conversational Summarization
Beihang University(北京航空航天大学);Meituan(美团)
虽然预训练的语言模型(PLM)已经取得了巨大的成功,并成为自然语言处理的一个里程碑,抽象的会话摘要仍然是一个具有挑战性的,但研究较少的任务。困难在于两个方面。一是缺乏大规模的会话摘要数据。另一个问题是,将现有的预训练模型应用于这项任务是很棘手的,因为对话中的结构依赖及其非正式表达等,在这项工作中,我们首先基于Reddit社区中的多人讨论构建了一个名为RCS的大规模(11M)预训练数据集。然后,我们提出了TANet,一个线程感知的基于transformer的网络。与现有的将对话视为句子序列的预训练模型不同,我们认为话语之间固有的上下文依赖性在理解整个对话中起着至关重要的作用,因此提出了两种新技术来将结构信息纳入我们的模型。第一种是线索感知注意力,它是通过考虑话语内的上下文依赖性来计算的。其次,我们应用线索预测损失来预测话语之间的关系。我们在四个真实对话的数据集上评估了我们的模型,这些数据集涵盖了会议记录、客户服务记录和论坛线程的类型。实验结果表明,TANET实现了一个新的国家的最先进的自动评估和人类的判断。
2022-04-09 cs.CL
Detecting Egregious Conversations between Customers and Virtual Agents
IBM Research(IBM研究院)
虚拟代理正在成为客户服务中一个重要的互动渠道。然而,并不是所有的客户互动都是顺利的,有些互动可能会变得几乎滑稽地糟糕。在这种情况下,人类代理可能需要介入并挽救对话。检测糟糕的对话很重要,因为令人失望的客户服务可能会威胁客户忠诚度并影响收入。在本文中,我们概述了一种方法来检测这种令人震惊的对话,从用户的行为线索,代理响应模式,和用户代理交互。使用两个商业系统的日志,我们表明,使用这些功能提高了检测F1分数约20%,单独使用文本功能。此外,我们表明,这些功能是共同的两个完全不同的领域,可以说,普遍的。
2018-04-16 cs.CL
AI Knowledge Assist: An Automated Approach for the Creation of Knowledge Bases for Conversational AI Agents
Dialpad Inc.(Dialpad公司)
本文提出AI知识助手系统,从历史客服对话中自动提取问答对构建知识库,微调轻量级LLM在20家公司上达到90%以上准确率,消除冷启动差距,实现RAG聊天机器人快速部署。
2025-10-09 cs.AI cs.CL cs.LG
Screen Before You Serve: Simulation for Production Customer Experience AI Agents at 140M Scale
Nubank(努班克);Guardrails AI(护栏人工智能)
提出基于假设的仿真工作流,在部署前筛选客户体验AI智能体,通过合成客户和模拟工具输出支持多步工作流,在Nubank大规模应用中提升tNPS和SSR,实现安全高效的生产改进。
2026-11-06 cs.AI cs.CL
Beyond IVR: Benchmarking Customer Support LLM Agents for Business-Adherence
本文提出JourneyBench基准测试,用于评估客户支持中遵循业务政策的LLM代理,展示动态提示代理在提升政策遵循度方面的有效性。
2026-01-02 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
NatCS: Eliciting Natural Customer Support Dialogues
AWS AI Labs(AWS人工智能实验室)
针对现有任务型对话数据集无法代表真实客户支持对话的问题,该研究推出多领域口语客户服务对话数据集NatCS,其合成对话更贴近真实人际对话,可提升对话行为分类等任务的训练效果,已公开发布以助力自然对话系统研究。
2023-05-04 cs.CL
A Context-aware Framework for Translation-mediated Conversations
Unbabel;Instituto de Telecomunicações(电信研究所);Instituto Superior Técnico, Universidade de Lisboa(里斯本大学技术研究所);Carnegie Mellon University(卡内基梅隆大学);ELLIS Unit Lisbon(里斯本ELLIS单位)
提出一个上下文感知框架,通过在双语对话的训练和推理中融入上下文信息改进大模型翻译,其生成的TowerChat在多语言对上超越GPT-4o等系统并提升信息一致性。
2025-06-29 cs.CL
Large-Scale ChatBot Validation Through Customer Digital Twin Simulations
leading UK bank(英国领先银行)
本文提出基于合成客户智能体(SCA)数字孪生的两部分验证方法,用于解决银行等领域LLM聊天机器人的大规模安全验证问题,已成功应用于英国某头部银行的客户聊天机器人验证。
2026-07-30 cs.AI cs.CL
What sentiment analysis can't see: Measuring whether customers were helped, and what went wrong, across 70,000 support conversations
Dimension Labs(Dimension实验室)
本研究使用GPT-5.4从70,450次客服对话中估计客户满意度并标记具体问题,发现满意度估计比情感分析更准确,且能揭示情感分析无法捕捉的客户状态和问题原因。
2026-06-19 cs.CL
Conversational Document Prediction to Assist Customer Care Agents
IBM Research(IBM研究院)
客户服务对话中的一个常见模式是代理商使用适当的网页URL响应,以满足用户的需求。我们研究的任务,预测的文件,客户服务代理可以使用,以方便用户的需求。我们还介绍了一个新的公共数据集,支持上述问题。使用这个数据集和另外两个数据集,我们研究了最先进的深度学习(DL)和信息检索(IR)模型。此外,我们分析了这种系统的实用性方面的推理时间复杂度。我们表明,混合IR + DL方法提供了两全其美。
2020-10-05 cs.CL
ERFC: Happy Customers with Emotion Recognition and Forecasting in Conversation in Call Centers
Center for Advanced AI, Accenture(Accenture高级人工智能中心)
本文提出ERFC架构,融合多模态、情绪属性、上下文及说话者话语间依赖关系,在对话中识别并预测未来话语情绪,以帮助呼叫中心客服在恰当时机提供解决方案,提升客户满意度。
2025-09-17 cs.CL
PEFT of SLM for Telecommunications Customer Support: A Comparative Study of LoRA Configurations with Energy Consumption Analysis
Orange
本研究系统比较了不同LoRA配置在Qwen2.5-3B模型上的参数高效微调效果,结合能耗分析和LLM评判框架,发现验证损失最低的配置并不一定获得最佳定性排名,并提出了组合式合成数据生成方法。
2026-08-03 cs.AI cs.CL
JELLY: Joint Emotion Recognition and Context Reasoning with LLMs for Conversational Speech Synthesis
Korea University(高丽大学)
提出 JELLY 框架,通过多个部分 LoRA 微调 LLM,并结合情感感知 Q-former 编码器实现情感识别与上下文推理,以生成自然且情感恰当的对话语音。
2025-01-09 cs.CL cs.SD eess.AS
PCQPR: Proactive Conversational Question Planning with Reflection
School of Information, Renmin University of China(中国人民大学信息学院);Singapore Management University(新加坡管理大学)
针对传统对话问题生成缺乏目标导向远见的问题,提出 PCQPR,结合 MCTS 式规划与 LLM 自我精炼来主动规划并优化提问,显著优于现有方法。
2024-10-02 cs.AI cs.CL
Open-Source Large Language Models as Multilingual Crowdworkers: Synthesizing Open-Domain Dialogues in Several Languages With No Examples in Targets and No Machine Translation
Laboratoire Inforamitque d’Avignon (LIA)(阿维尼翁信息学实验室);Avignon Université(阿维尼翁大学)
针对开放域对话数据集以英语为主且多语言众包成本高昂的问题,提出利用开源大语言模型在无目标语言示例且无机器翻译的情况下合成多语言对话数据的流水线,并应用于PersonaChat数据集以提升对话开放性。
2025-03-05 cs.AI cs.CL cs.HC
MTR-Suite: A Framework for Evaluating and Synthesizing Conversational Retrieval Benchmarks
School of Computer Science and Engineering, Northeastern University(东北大学计算机科学与工程学院);Meituan Inc.(美团公司);NiuTrans Research(牛译研所);Tsinghua University(清华大学)
本文提出MTR-Suite框架,通过LLM审计、多智能体系统生成和通用领域基准,解决对话检索基准评估和合成中的成本高、标注稀疏和自动化方法僵化的问题。
2026-05-20 cs.CL
Handling and extracting key entities from customer conversations using Speech recognition and Named Entity recognition
Pune Institute of Computer Technology(浦那计算机技术学院)
本文提出一个两阶段网络,先用最优语音识别将客户对话转为文本,再用NER BERT transformer模型提取订单号、具体问题等关键实体,以减少人工复查对话的工作量并提升客户体验。
2022-11-28 cs.CL cs.LG
AUGUST: an Automatic Generation Understudy for Synthesizing Conversational Recommendation Datasets
CUHKSZ(香港中文大学(深圳));JD AI Research(京东人工智能研究院)
针对现有对话推荐数据集依赖人工标注、规模有限且质量不足的问题,提出AUGUST自动合成方法,结合用户画像、知识图谱与已有对话能力生成高质量对话数据,验证了其在低资源场景下的效用。
2023-06-16 cs.CL
Simulated Customers Never Walk Away: Decision Fidelity of LLM User Simulators Measured Against Real Purchase Outcomes
Chinese relationship-matchmaking service(中国婚恋服务平台)
本文提出决策保真度概念,通过对比LLM模拟器与真实客户在销售对话中的决策状态,发现模拟器高估非购买者的参与度,低估其拒绝意愿,导致系统偏差。
2026-06-23 cs.AI cs.CL cs.HC
Using Structured Representation and Data: A Hybrid Model for Negation and Sentiment in Customer Service Conversations
IBM-Research, Almaden(IBM阿尔马登研究院)
Twitter的客户服务互动最近已经成为一个有效的平台,以回应和与客户互动。在这项工作中,我们探讨了否定在客户服务互动中的作用,特别是应用于情感分析。我们定义的规则,以确定真正的否定线索和范围更适合于会话数据比现有的一般审查数据。使用语义知识和句法结构的选区解析树,我们提出了一个算法的范围检测,执行最先进的BiLSTM。我们进一步研究了使用传统SVM和神经网络对客户服务会话数据的情感预测任务的否定范围检测结果。我们提出了一种基于反义词词典的否定方法,应用于情感分析的CNN-LSTM组合模型。实验结果表明,基于反义词的方法优于以往的基于词典和神经网络的方法。
2019-06-11 cs.AI cs.CL
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
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
Lingke: A Fine-grained Multi-turn Chatbot for Customer Service
East China Normal University(华东师范大学);Shanghai Jiao Tong University(上海交通大学)
传统的聊天机器人通常需要大量的人类对话数据,特别是当使用有监督的机器学习方法时。虽然他们可以很容易地处理单轮问答,多轮的表现往往是不令人满意的。在本文中,我们提出了Lingke,一个信息检索增强聊天机器人,它能够回答问题的基础上给定的产品介绍文件,并处理多轮对话。我们将介绍一种细粒度的流水线处理,以基于非结构化文档提取响应,并为多轮对话提供细心的顺序上下文响应匹配。
2018-08-10 cs.CL
Towards Automated Customer Support
Qatar Computing Research Institute, HBKU(哈马德·本·哈利法大学卡塔尔计算研究所)
近年来,人们对聊天机器人等会话代理越来越感兴趣,这非常适合自动化客户支持,因为它们需要操作的领域很窄。这种兴趣部分受到神经机器翻译的最新进展的启发,特别是序列到序列(seq2seq)和基于注意力的模型(如Transformer)的兴起,这些模型已应用于各种其他任务,并在问答、聊天机器人和会话系统中开辟了新的研究方向。尽管如此,在许多情况下,使用简单的信息检索技术可能是可行的,甚至是可取的。因此,在这里我们比较了三种不同的模型:(i)检索模型,(ii)具有注意力的序列到序列模型,以及(iii)Transformer。我们对Twitter客户支持数据集进行了实验,该数据集包含来自20个主要品牌的客户支持服务的200多万个帖子,结果表明seq2seq模型在语义和单词重叠方面优于其他两个模型。
2018-09-02 cs.CL
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
Intent Recognition in Conversational Recommender Systems
Macquarie University(麦考瑞大学)
任何组织都需要改进其产品、服务和流程。在这种情况下,与客户互动并了解他们的旅程至关重要。组织利用各种技术和技术来支持客户参与,从呼叫中心到聊天机器人和虚拟代理。最近,这些系统使用机器学习(ML)和自然语言处理(NLP)来分析大量的客户反馈和参与数据。我们的目标是了解客户的背景,并在各种渠道提供有意义的答案。尽管会话人工智能(AI)和推荐系统(RS)取得了多项进展,但在客户旅程中理解客户问题背后的意图仍然具有挑战性。为了应对这一挑战,在本文中,我们研究和分析了会话推荐系统(CRS)的最新工作,更具体地说,是基于聊天机器人的CRS。我们引入了一个流水线来语境化对话中的输入话语。然后,我们采取下一步措施,利用反向特征工程来链接上下文输入和学习模型,以支持意图识别。由于性能评估是基于不同的ML模型实现的,因此我们使用Transformer基础模型来评估所提出的方法,该方法使用信息寻求者和答案提供者之间问答交互的标记对话数据集(MSDialogue)。
2022-12-06 cs.CL cs.IR cs.LG
Prediction of User Request and Complaint in Spoken Customer-Agent Conversations
Malakoff Humanis(马拉科夫于马尼斯);Sorbonne University(索邦大学)
我们提出了语料库称为HealthCall。这是在Malakoff Humanis呼叫中心的真实情况下记录的。它包括两个独立的音频通道,第一个用于客户,第二个用于代理。根据《一般数据保护条例》,每次对话都是匿名的。该语料库包括口语对话的转录,并分为两组:训练和Devel集。在HealthCall语料库上评估了两个重要的客户关系管理任务:自动预测用户请求类型和投诉检测。为此,我们研究了14个特征集:6个语言特征集,6个音频特征集和2个语音交互特征集。我们使用来自Transformers模型的双向编码器表示用于语言特征,openSMILE和Wav 2 Vec 2.0用于音频特征。语音交互功能集是从Turn Takings设计和开发的。结果表明,语言特征总是给出最好的结果(91.2%的请求任务和70.3%的投诉任务)。Wav 2 Vec 2.0特性似乎比CompaRe 16特性更适合这两个任务。语音交互功能在投诉任务中的表现优于CompaRe 16功能,仅使用6个功能就实现了57%的投诉率。
2022-07-27 cs.AI cs.CL
Synthesizing Conversations from Unlabeled Documents using Automatic Response Segmentation
Amazon(亚马逊)
本文提出一种基于自动响应分割的对话合成方法,从无标注文档生成高质量训练数据,并在OR-QuAC基准上提升了ConvQA检索系统性能。
2024-06-06 cs.CL cs.LG
Towards Proactive Information Probing: Customer Service Chatbots Harvesting Value from Conversation
Institute of Data Science, National University of Singapore(新加坡国立大学数据科学研究所);College of Computer Science, Sichuan University(四川大学计算机学院);Engineering Research Center of Machine Learning and Industry Intelligence, Ministry of Education, China(教育部机器学习与产业智能工程研究中心)
本文提出主动信息探测任务,设计PROCHATIP框架,通过优化探测时机提升信息获取效率和服务质量,实验表明其在信息探测和服务质量方面优于基线模型。
2026-04-16 cs.AI cs.CL
Multiple topic identification in telephone conversations
LIA, University of Avignon(阿维尼翁大学LIA实验室);McGill University(麦吉尔大学)
本文论述了自动分析的客户和代理之间的对话在呼叫中心的客户服务。分析的目的是假设对话中讨论的问题和抱怨的主题。主题由应用程序文档主题定义。对话可能包含与应用程序目的无关的提及和多个主题,其提及可能是对话的交错部分,无法很好地定义。提出了两种多主题假设的方法。其中之一是基于余弦相似性度量,使用从整个对话中提取的一袋特征。另一种方法引入了围绕会话中特定单词位置分布的主题密度的概念。除了自动选择单词之外,还考虑并选择在连续单词之间具有可能间隙的单词二元语法。实验结果表明,在相同的数据集上,该方法的分类效果优于支持向量机。此外,使用从中导出主题密度的会话的主题骨架,将有可能提取要用于改进服务性能的自动会话报告的成分。索引术语:多主题音频文档分类,人类/人类对话分析,语音分析,距离二元组
2018-12-29 cs.CL
Action-Based Conversations Dataset: A Corpus for Building More In-Depth Task-Oriented Dialogue Systems
ASAPP;Columbia University(哥伦比亚大学)
现有的面向目标的对话数据集主要侧重于确定位置和价值。然而,在现实中的客户支持互动往往涉及代理商以下多步骤的程序来自明确定义的公司政策以及.为了在更现实的环境中研究客户服务对话系统,我们引入了基于会话的对话数据集(ABCD),这是一个完全标记的数据集,包含超过10K的人与人之间的对话,其中包含55个不同的用户意图,这些用户意图需要受策略约束的独特动作序列来实现任务成功。我们提出了两个额外的对话任务,动作状态跟踪和级联对话成功,并建立了一系列基线,涉及大规模的,预先训练的语言模型在这个数据集上。实证结果表明,虽然更复杂的网络优于更简单的模型,但在ABCD上仍存在相当大的差距(50.8%的绝对准确率)。
2021-04-01 cs.CL
Multiple topic identification in human/human conversations
University of Avignon(阿维尼翁大学);McGill University(麦吉尔大学);LIA, University of Avignon(阿维尼翁大学LIA(此处按原文提取,LIA可能为实验室或研究所,但根据规则若其本身为独立机构则需保留,此处按要求提取到大学级别,同时保留LIA))
本文讨论了自动分析的真实生活中的电话交谈之间的代理和客户服务(ccs)的客户。应用领域是巴黎的公共交通系统,目的是收集有关客户问题的统计数据,以便监控服务并决定干预的优先级,以提高用户满意度。分析的首要任务是检测客户问题的主题。主题在应用程序需求中定义,并且是ccs文档中隐含的应用程序本体的一部分。由于客户人口的多样性,与代理的对话结构是不可预测的。对话可以是关于一个或多个主题。主题提及可以与与应用程序目的无关的事实提及交错。此外,在某些会话中,主题提及被定位在特定的会话片段中,而在其他会话中,提及不能被定位。因此,考虑了具有和不具有提及定位的特征提取的方法。由自动过程识别的应用领域相关主题由特定句子表达,该特定句子的单词由自动语音识别(asr)系统假设。asr系统容易出错。单词的出错率很高有很多原因。其中值得一提的是不可预测的背景噪音,扬声器口音,和各种类型的语音不流利。由于应用任务要求主题提及比例的组合,本文引入了一种顺序决策策略,用于对给定时间段内提供的大量会话进行调查。该策略必须对对话进行抽样,以形成一个包含足够高精度分析数据的调查,以便能够以足够的精度估计比例。由于主题提及的不可预测的类型,考虑基于全局和局部特征提取的主题假设方法是适当的。该策略将考虑基于每种特征提取类型的两个系统。这四种方法中有一种是新颖的。它是基于一个新的定义的密度的主题提到和本地化的高密度区的边界不…
2018-12-29 cs.CL
Few-Shot Emotion Recognition in Conversation with Sequential Prototypical Networks
LTCI, Télécom-Paris, Institut Polytechnique de Paris(巴黎理工学院巴黎电信学院LTCI实验室);Direction Innovation & Recherche SNCF(法国国家铁路公司创新与研究部)
最近几项关于人与人之间的二元互动的研究都是在没有特定商业目标的对话中进行的。然而,许多公司可能会受益于专门针对更精确环境的研究,如售后服务或客户满意度调查。在这项工作中,我们将自己置于实时聊天客户服务的范围内,我们希望在对话流中检测情绪及其演变。这种背景导致了多种挑战,从利用有限的,小的和大多数未标记的数据集,以寻找和适应这种情况下的方法。我们通过使用少样本学习来解决这些挑战,同时假设它可以为不同语言和稀疏标签的会话情感分类服务。我们通过提出一种原型网络的变体来进行序列标记,我们将其命名为ProtoSeq。我们在两个不同语言的数据集上测试了这种方法:英语日常对话和法语客户服务聊天对话。当应用于会话中的情感分类时,即使与其他方法相比,我们的方法也具有竞争力。
2021-09-20 cs.CL cs.LG
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
Intent Induction from Conversations for Task-Oriented Dialogue Track at DSTC 11
AWS AI Labs(AWS人工智能实验室)
本文介绍 DSTC 11 的对话意图归纳赛道,构建真实客服场景基准、两项子任务、三个数据集与基线,并汇总34个团队的提交结果。
2023-04-25 cs.CL
End-to-End Continuous Speech Emotion Recognition in Real-life Customer Service Call Center Conversations
LISN(LISN实验室);CNRS(法国国家科学研究中心);Paris-Saclay University(巴黎萨克雷大学);Axys Consultants(Axys咨询公司)
针对真实呼叫中心非受控对话的情感识别需求,构建带维度情感与语境标注的大规模数据集CusEmo,优化端到端SER系统参数并通过多任务学习融合语境信息,证实共情水平信息可提升模型性能。
2023-10-02 cs.AI cs.CL cs.LG
Machine Reading Comprehension for Answer Re-Ranking in Customer Support Chatbots
Sofia University(索非亚大学);Hamad Bin Khalifa University(哈马德·本·哈利法大学);Qatar Computing Research Institute(卡塔尔计算研究所)
深度神经网络、语言建模和语言生成的最新进展为会话代理领域引入了新的想法。因此,序列到序列、记忆网络和Transformer等深度神经模型已成为最先进对话系统的关键组成部分。虽然这些模型即使在看不见的情况下也能够生成有意义的响应,但它们需要大量的训练数据来构建可靠的模型。因此,大多数现实世界的系统坚持基于信息检索的传统方法,甚至是手工制作的规则,因为它们的鲁棒性和有效性,特别是对于狭窄的对话。在这里,我们提出了一种方法,该方法采用了来自机器阅读理解领域的深度神经架构,以使用问题作为上下文,对来自不同模型的建议答案进行重新排序。我们训练我们的模型使用负采样的基础上的问题,答案对从Twitter的客户支持数据集。实验结果表明,我们的重新排名框架可以提高性能方面的单词重叠和语义的单独模型以及模型组合。
2019-02-26 cs.CL
Trustera: A Live Conversation Redaction System
Interactions LLC.(Interactions有限责任公司)
Trustera是第一个在实时语音对话中编辑个人身份信息(PII)的功能系统,以消除代理人听到敏感信息的需要,同时保持实时客户-代理人对话的自然性。与呼叫后编辑相反,音频屏蔽在客户开始与PII实体通话时立即开始。这大大降低了PII被拦截或存储在不安全数据存储中的风险。Trustera的架构由自动语音识别、自然语言理解和实时音频编辑器模块组成。该系统的目标有三个方面:编辑PII实体,屏蔽去往代理的音频,同时捕获实体,以便捕获的PII可用于支付交易或呼叫者身份识别。目前,成千上万的代理商正在使用Trustera来保护客户的敏感信息。
2023-03-16 cs.CL cs.SD eess.AS
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
What should I wear to a party in a Greek taverna? Evaluation for Conversational Agents in the Fashion Domain
Zalando SE(扎兰多公司)
针对时尚领域对话智能体的服务调用能力评估缺乏高质量数据集的问题,研究构建了含4000组多语言对话的电商时尚评估数据集,验证了其适配业务需求、助力工具迭代的价值。
2024-08-13 cs.AI cs.CL cs.HC
Augmenting Customer Support with an NLP-based Receptionist
QuintoAndar Inc(QuintoAndar公司);University of São Paulo(圣保罗大学)
在本文中,我们展示了葡萄牙BERT模型如何与结构化数据相结合,以便部署基于有限状态机的聊天机器人来创建会话AI系统,帮助房地产公司预测客户的联系动机。该模型在包含235个不平衡标签的数据集中实现了人类水平的结果。然后,我们还将其与经典的NLP方法进行比较,考虑到业务影响,显示其优势。
2021-12-03 cs.CL
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
RL-ADA: A World-Feedback Framework for Adversarially Robust Enterprise Dialogue Agents
Centific(森蒂菲克(Centific))
针对企业对话智能体的标注瓶颈,提出RL-ADA协同进化框架,用世界反馈取代人工标注,在银行场景中消除路由错误并提升PASS率,还发现上下文伪装的对抗策略。
2026-09-04 cs.CL
A combined approach to the analysis of speech conversations in a contact center domain
University of Udine(乌迪内大学);Gap S.r.l.u.(Gap有限责任公司);University of Ferrara(费拉拉大学)
如今,对客户数据进行更准确的深度分析是一个非常强大的技术趋势,对私营和上市公司都很有吸引力。在联络中心领域尤其如此,语音分析是一种非常强大的方法,可以从来自客户和人工座席对话的非结构化数据中获得见解。在这项工作中,我们描述了一个实验的语音分析过程中,意大利的联络中心,处理从入站或出站流提取的通话录音。首先,我们详细说明了基于Kaldi框架的内部语音到文本解决方案的开发,并评估其性能(并将其与Google Cloud Speech API进行比较)。然后,我们评估和比较不同的方法来语义标记的通话记录,从经典的正则表达式的机器学习模型的基础上ngrams和逻辑回归,并提出了一个组合,这是提供了一致的好处。最后,一个决策树诱导器,称为J48 S,被应用到标记的问题。这样的算法本身就能够利用连续数据,如文本,用于分类目的。该解决方案与其他方法进行了比较,并显示出具有竞争力的分类性能,同时生成高度可解释的模型,并降低了数据准备阶段的复杂性。对整个过程的潜在业务影响进行了彻底审查。
2022-03-12 cs.CL
Proactive Detractor Detection Framework Based on Message-Wise Sentiment Analysis Over Customer Support Interactions
Rappi AI Research(Rappi人工智能研究院)
在这项工作中,我们提出了一个框架,完全依赖于基于聊天的客户支持(CS)的互动预测个人用户的推荐决策。在我们的案例研究中,我们分析了拉丁美洲一家大型电子商务公司的金融垂直领域内的1640万用户和4870万客户支持对话。因此,我们的主要贡献和目标是使用自然语言处理(NLP)来评估和预测推荐行为,除了使用静态情感分析,我们还利用每个用户的情感动态的预测能力。我们的研究结果表明,与各自的功能可解释性,它是可以预测的可能性,用户推荐的产品或服务,完全基于他们的CS对话的消息明智的情绪演变在一个完全自动化的方式。
2022-11-08 cs.CL cs.IR cs.LG