In-Context Learning User Simulators for Task-Oriented Dialog Systems

要約

この論文では、特にインコンテキスト学習アプローチに焦点を当てた、タスク指向ダイアログ システムのユーザー シミュレーションにおける大規模言語モデルの新しいアプリケーションを紹介します。
これらのモデルの力を利用することで、提案されたアプローチは、ユーザーの目標と限られた対話例に基づいて多様な発話を生成します。
従来のシミュレーターとは異なり、この方法では、労働集約的なルール定義や大量の注釈付きデータの必要性がなくなり、より効率的でアクセスしやすくなります。
さらに、ユーザー シミュレーターとダイアログ システム間の対話のエラー分析により、よくある間違いが明らかになり、改善が必要な領域について貴重な洞察が得られます。
私たちの実装は https://github.com/telepathylabsai/prompt-based-user-simulator で入手できます。

要約(オリジナル)

This paper presents a novel application of large language models in user simulation for task-oriented dialog systems, specifically focusing on an in-context learning approach. By harnessing the power of these models, the proposed approach generates diverse utterances based on user goals and limited dialog examples. Unlike traditional simulators, this method eliminates the need for labor-intensive rule definition or extensive annotated data, making it more efficient and accessible. Additionally, an error analysis of the interaction between the user simulator and dialog system uncovers common mistakes, providing valuable insights into areas that require improvement. Our implementation is available at https://github.com/telepathylabsai/prompt-based-user-simulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google