多特征适应解码用于对话任务助理的用户模拟

对话系统必须能够应对自然而然地展现出多样化对话特征的用户交互。捕捉并高效地模拟这些多样化特征 presents a complex challenge。本文引入了一种名为 Multi-Trait Adaptive Decoding (mTAD) 的方法，通过从 various trait-specific Language Models (LMs) 中进行采样，在解码时生成多样化的用户档案。mTAD 提供了一种自适应且可扩展的用户模拟方法，使能够在无需额外微调的情况下创建多个用户档案。通过分析对话任务助理 (CTA) 领域中的真实对话数据，我们识别出关键对话特征，并开发了一种生成面向档案的对话的框架，以增强对话的多样性。实验结果验证了该方法在使用专门的 LMs 模型单一特征时有效性，这些模型能够捕捉即使在跨域任务中也不常见的模式。此外，结果表明，mTAD 是一种稳健且灵活的框架，可用于组合多样化的用户模拟器。