参考系：应对情境对话中共指表示的挑战

共指在情境口语对话中起着至关重要的作用，对话参与者必须建立并维持对实体、事件和关系的共享指代，以在共享空间和时间内保持连贯的交互。随着具身对话代理和社交机器人的日益普及，为了日后能够回指而正确地确立此类对话内容的共指基础，对对话系统也变得重要。先前的研究表明，LLM 能够执行确认等特定的共指行为。然而，相对较少的工作调查了它们利用已确立信息的能力，例如在涉及空间和时间的复杂场景中（例如，“我们去昨天去的那家公园附近的咖啡馆吧”）。为此，在本工作中，我们通过在情境对话的动态和共享环境中利用这些“关系指代”来评估模型建立共指的能力。然后，我们测试了多种表示共指的方法，并进一步提出通过在我们的合成生成对话数据上使用强化学习来提升其性能的方法。