从意图到对话：基于对比学习的意图驱动式多轮对话生成
计算与语言
2025-09-03 v3 人工智能
摘要
在对话AI系统中，训练有效的多轮意图分类模型的关键挑战在于生成大规模、特定于领域且多语言的对话数据集。本文提出了Chain-of-Intent，一种新型框架，将隐马尔可夫模型（HMM）与大型语言模型（LLM）集成，以通过自我对弈生成意图驱动、情境感知的对话。该方法首先从真实世界电子商务聊天日志中提取领域特定的意图转换模式，这些模式指导建模轮次级别的动力学和意图序列。随后，利用LLM参数化HMM的发射概率，实现与预测意图和对话情境相匹配的自然、连贯的言语生成。我们还提出了MINT-CL，一种用于多轮意图分类的多任务对比学习框架，在提高性能的同时减少对大规模标注数据集的依赖。实证结果表明，我们的方法在对话生成质量和分类准确率方面优于竞争性基线，尤其在多语言环境中效果更佳。为促进未来研究，我们发布了MINT-E，这是一个来自电子商务领域的全面、多语言、意图感知的多轮对话语料库。
引用
@article{arxiv.2411.14252,
title = {From Intents to Conversations: Generating Intent-Driven Dialogues with Contrastive Learning for Multi-Turn Classification},
author = {Junhua Liu and Yong Keat Tan and Bin Fu and Kwan Hui Lim},
journal= {arXiv preprint arXiv:2411.14252},
year = {2025}
}
备注
Accepted to Proceedings of CIKM'25