Cue-CoT：基于思维链提示利用LLM回答深度对话问题
计算与语言
2023-10-17 v2 人工智能
摘要
大语言模型（LLM），如 \texttt{ChatGPT}，极大地赋予了对话系统以强大的语言理解与生成能力。然而，以往大多数工作提示LLM直接基于对话上下文生成回复，忽略了上下文中展现的关于用户状态的潜在语言线索。此类深度对话场景对现有LLM颇具挑战，难以通过单步推理弄清用户的隐藏需求并给出令人满意的回复。为此，我们提出一种新颖的基于语言线索的思维链（\textit{Cue}-CoT），它通过一个中间推理步骤来增强LLM的推理以发现对话中展现的线索，旨在提供更个性化且引人入胜的回复。为评估该方法，我们构建了一个包含深度对话问题的基准，由中英文6个数据集组成，针对对话中3种主要语言线索：\textit{个性}、\textit{情绪}与\textit{心理}。我们在所提基准上以5个LLM在零样本与单样本设置下进行了大量实验。实证结果表明，我们提出的\textit{Cue}-CoT方法在所有数据集上于\textit{有用性}和\textit{可接受性}方面均优于标准提示方法。
引用
@article{arxiv.2305.11792,
title = {Cue-CoT: Chain-of-thought Prompting for Responding to In-depth Dialogue Questions with LLMs},
author = {Hongru Wang and Rui Wang and Fei Mi and Yang Deng and Zezhong Wang and Bin Liang and Ruifeng Xu and Kam-Fai Wong},
journal= {arXiv preprint arXiv:2305.11792},
year = {2023}
}