Unsupervised Extraction of Dialogue Policies from Conversations

要約

対話ポリシーは、タスク指向の対話システムの開発において重要な役割を果たしますが、その開発と保守は困難であり、通常、対話モデリングの専門家による多大な労力を必要とします。
多くの状況で、当面のタスクに大量の会話データが利用可能ですが、人々はこのデータから対話ポリシーを抽出できる効果的なソリューションを持っていません。
この論文では、まず大規模言語モデル (LLM) が、会話を正規形式で構成される統一された中間表現に変換することによって、データセットから対話ポリシーを抽出するのにどのように役立つかを説明することで、このギャップに対処します。
次に、制御可能で解釈可能なグラフベースの方法論を利用して対話ポリシーを生成する新しい方法を提案します。
会話全体にわたる標準形式をフロー ネットワークに組み合わせることで、グラフ トラバーサル アルゴリズムを実行すると、対話フローの抽出に役立つことがわかりました。
これらのフローは、プロンプト LLM によって抽出されたフローよりも、基礎となる相互作用をよりよく表現しています。
私たちの技術は、会話設計者がより詳細に制御できるようにすることに焦点を当てており、対話ポリシーの開発プロセスを改善するための生産性ツールを提供します。

要約(オリジナル)

Dialogue policies play a crucial role in developing task-oriented dialogue systems, yet their development and maintenance are challenging and typically require substantial effort from experts in dialogue modeling. While in many situations, large amounts of conversational data are available for the task at hand, people lack an effective solution able to extract dialogue policies from this data. In this paper, we address this gap by first illustrating how Large Language Models (LLMs) can be instrumental in extracting dialogue policies from datasets, through the conversion of conversations into a unified intermediate representation consisting of canonical forms. We then propose a novel method for generating dialogue policies utilizing a controllable and interpretable graph-based methodology. By combining canonical forms across conversations into a flow network, we find that running graph traversal algorithms helps in extracting dialogue flows. These flows are a better representation of the underlying interactions than flows extracted by prompting LLMs. Our technique focuses on giving conversation designers greater control, offering a productivity tool to improve the process of developing dialogue policies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google