聊天幽灵：对话系统自动完成方法的比较研究
计算与语言
2025-07-09 v1
摘要
幽灵功能（即预测用户意图文本输入的内联查询自动完成功能）是现代搜索引擎和聊天界面极其宝贵的特性，大大提升了用户体验。通过对不完整查询（或前缀）提供完成建议，幽灵功能帮助慢打字的用户、残障用户或语言水平有限的用户。幽灵是一个具有挑战性的问题，随着聊天系统（如 ChatGPT、Copilot 等）的普及变得更加重要。尽管利用幽灵的聊天系统越来越多，但聊天幽灵 (Chat-Ghosting) 这一具有挑战性的问题在 NLP/ML 研究社区中仍受到很少关注。缺乏标准化的基准以及深度学习和非深度学习方法的相对性能分析。我们通过使用四个公开对话数据集进行开放且彻底的研究来解决这一问题：两个人类-人类数据集 (DailyDialog 和 DSTC7-Ubuntu) 和两个人类-机器数据集 (Open Assistant 和 ShareGPT)。我们实验了各种现有的查询自动完成方法（使用 tries、n-gram 方法和深度学习方法），有无对话上下文。我们还提出了一种基于熵的动态提前停止策略。我们的分析发现，统计 n-gram 模型和 tries 在已见前缀的模型性能和推理效率方面均优于基于深度学习的模型。对于未见查询，像 T5 和 Phi-2 这样的神经模型会带来更好的结果。添加对话上下文会在 Open-Assistant 和 ShareGPT 上显著提高幽灵质量。我们公开了代码和数据。
引用
@article{arxiv.2507.05940,
title = {Chat-Ghosting: A Comparative Study of Methods for Auto-Completion in Dialog Systems},
author = {Sandeep Mishra and Anubhab Mandal and Bishal Santra and Tushar Abhishek and Pawan Goyal and Manish Gupta},
journal= {arXiv preprint arXiv:2507.05940},
year = {2025}
}