类人信息性对话：利用条件互信息实现更好的应答确认

本工作旨在构建一个能像人类一样自然地将新事实内容编织进对话的对话智能体。我们从会话分析的语言学原理中汲取见解，标注了 Switchboard Dialog Act Corpus 中的人人对话，以考察人类在应答确认、过渡、细节选择与呈现方面的策略。当当前聊天机器人（被显式提供新事实内容）将事实引入对话时，其生成的回复并不确认先前的轮次。这是因为以两个上下文——新事实内容与对话历史——训练的模型所生成的回复相对于其中一个上下文（通常为对话历史）是非特定的。我们表明，相对于对话历史的特定性由逐点条件互信息（$\text{pcmi}_h$）比既有的逐点互信息（$\text{pmi}$）使用更好地刻画。我们提出的方法 Fused-PCMI 以 $\text{pmi}$ 换取 $\text{pcmi}_h$，在整体质量上被人类偏好于 Max-PMI 基线 60% 的次数。人类评估者还判定具有更高 $\text{pcmi}_h$ 的回复在应答确认上更优达 74% 的次数。结果表明，模仿人类对话特征（此处为应答确认）的系统提升了整体质量，并更广义地说明了语言学原理在改进对话智能体中的效用。