利用口语理解任务提升人人对话摘要的忠实度

对话摘要旨在提供多位说话人之间对话的简明且连贯的摘要。虽然最近语言模型的进展增强了这一过程，但由于需要理解说话人之间的交互并捕获相关信息，准确且忠实地总结对话仍然具有挑战性。实际上，用于对话摘要的生成式模型可能会生成包含不一致之处的摘要。我们建议，对于面向目标的人人对话，利用为在人机对话系统中执行口语理解（SLU）而提出的语义信息，以获得在任务方面语义更忠实的摘要。本研究引入了三个主要贡献：首先，我们探讨了如何结合与任务相关的信息来增强摘要过程，从而生成语义上更准确的摘要。然后，我们引入了一种基于任务语义的新评估标准。最后，我们提出了一个新的数据集版本，其增加了标注数据，并标准化用于面向任务的对话摘要研究。该研究使用 DECODA 语料库评估了这些方法，该语料库是来自呼叫中心的法语口语对话集合。结果表明，将模型与任务相关信息相结合可以提高摘要准确性，即使在词错率不同的情况下也是如此。