利用零样本提示学习控制对话中的人格风格
计算与语言
2023-02-09 v1
摘要
基于提示(prompt-based)或上下文学习在许多自然语言生成(NLG)任务上取得了较高的零样本性能。本文探讨了基于提示的学习在同时控制面向任务对话的NLG的人格与语义准确性方面的表现。我们在PERSONAGE餐厅推荐语料库上实验基于提示的学习,为5种不同大五(Big-5)人格类型(宜人、不宜人、尽责、不尽责和外向)生成语义与风格受控的文本。我们测试了两类不同的离散提示来生成特定人格风格的话语:(1)直接从包含人格规范的意义表示生成的提示;(2)先依赖将意义表示转换为文本伪参照,再在文本风格迁移(TST)提示中使用该伪参照的提示。在每种情况下,我们表明通过过生成输出并对其进行排序可以大幅提升性能,测试了基于语义准确性、人格匹配和流畅度自动指标的若干排序函数。我们还测试了餐厅领域的人格NLG示例能否与电子游戏领域的意义表示一起使用,以生成关于电子游戏的人格风格化话语。我们的发现表明,TST提示产生了最高的语义准确性(餐厅78.46%,电子游戏87.6%)和人格准确性(餐厅100%,电子游戏97%)。我们将人格风格迁移到电子游戏话语上的结果出奇地好。据我们所知,此前尚无工作测试将基于提示的学习应用于同时控制NLG中风格与语义准确性的任务。
引用
@article{arxiv.2302.03848,
title = {Controlling Personality Style in Dialogue with Zero-Shot Prompt-Based Learning},
author = {Angela Ramirez and Mamon Alsalihy and Kartik Aggarwal and Cecilia Li and Liren Wu and Marilyn Walker},
journal= {arXiv preprint arXiv:2302.03848},
year = {2023}
}
备注
To appear at International Workshop on Spoken Dialogue Systems Technology, 2023