评估、合成与增强：客户支持对话研究
计算与语言
2025-11-11 v2
摘要
有效的客户支持不仅需要准确的问题解决，还需要符合专业标准的结构化、同理心的沟通。然而，现有对话数据集常缺乏战略性指导，真实的服务数据也难以获取和标注。为此，我们提出客户支持对话（Customer Support Conversation, CSC）任务，旨在训练客户服务代理以使用明确定义的支持策略来作答。我们提出一种基于COPC指南的结构化CSC框架，定义五个对话阶段和十二种策略，以引导高质量的互动。基于此，我们构建了CSConv——一个包含1,855个真实客户-代理对话的评估数据集，通过LLM重写以反映策略的有意识使用，并进行相应标注。此外，我们开发了一种角色扮演方法，使用符合CSC框架的LLM角色模拟策略丰富的对话，生成训练数据集RoleCS。实验表明，在RoleCS上微调强大LLM显著提升了其在CSConv上生成高质量、策略一致性回答的能力。人类评估进一步确认了问题解决能力的提升。所有代码和数据将公开于https://github.com/aliyun/qwen-dianjin。
引用
@article{arxiv.2508.04423,
title = {Evaluating, Synthesizing, and Enhancing for Customer Support Conversation},
author = {Jie Zhu and Huaixia Dou and Junhui Li and Lifan Guo and Feng Chen and Chi Zhang and Fang Kong},
journal= {arXiv preprint arXiv:2508.04423},
year = {2025}
}
备注
Accepted by AAAI-2026