面向智能车辆环境的非一致话语数据生成框架——DRIVE
计算与语言
2025-07-29 v1
摘要
车载对话式 AI 正日益重要，随着自动驾驶车辆和智能助理的广泛采用。然而，现有数据集未能捕捉特征于真实司机-AI 对话中那些如犹豫、开头便符、重复和自我纠正等的非一致话语现象。为此，我们提出了 DiscoDrive，一个包含 3500 轮多轮对话的合成语料库，覆盖七个汽车领域，通过两个阶段的、提示驱动的管道实现，动态集成非一致话语。我们表明，DiscoDrive 既可作为训练资源，使 DialoGPT-Medium 和 T5-Base 能匹配或超越 KVRET 在 MultiWOZ 2.2 和 Schema-Guided Dialogue (SGD) 相关测试集上的表现（BLEU-4 提升 0.26 至 0.61；METEOR 提升 2.10；ROUGE-L 提升 3.48；BERTScore F1 提升 1.35 至 3.48），也可作为数据增强资源在低资源场景中提供额外收益：BLEU-4 提升最高可达 +0.38，METEOR 提升 +1.95，ROUGE-L 提升 +2.87，BERTScore F1 提升 +4.00。人类评估进一步证明，DiscoDrive 提取的对话在自然性 (3.8 vs 3.6) 和连贯性 (4.1 vs 4.0) 上均高于 KVRET 人工收集的对话，感知为更具上下文适切性，而无需牺牲清晰度。DiscoDrive 填补了现有资源中的关键空白，成为训练和增强对话式 AI 都非常灵活的语料库，使其能够稳健地处理真实世界、非一致的车载交互。
引用
@article{arxiv.2507.19867,
title = {DRIVE: Disfluency-Rich Synthetic Dialog Data Generation Framework for Intelligent Vehicle Environments},
author = {Anshul Chavda and M Jagadeesh and Chintalapalli Raja Kullayappa and B Jayaprakash and Medchalimi Sruthi and Pushpak Bhattacharyya},
journal= {arXiv preprint arXiv:2507.19867},
year = {2025}
}