具有意图预测功能的主动对话模型
计算与语言
2026-05-01 v1 机器学习
摘要
对话模型本质上是反应式的，仅响应当前用户轮次而不预测即将出现的意图，这导致在多意图场景中产生冗余交互。我们通过引入一种轻量级的意图转移先验来解决这一局限性，该先验源自对话数据，并在推理时注入系统提示。我们使用在 MultiWOZ 2.2 的每轮意图标注上训练的时间贝叶斯网络 (Temporal Bayesian Network, T-BN) 来实例化此先验。该 T-BN 在 1,071 个留存的用户轮次对上实现了 Recall@5 = 0.787 和 MRR = 0.576。在 200 个对话的真实回放中，贝叶斯网络引导的生成将覆盖率 AUC 从 0.742 提高到 0.856，并将达到 75% 意图覆盖率所需的轮次数从 3.95 减少到 2.73。这些结果表明，轻量级的意图转移引导能够在不修改底层语言模型的情况下，实现更主动、更高效的对话行为。
引用
@article{arxiv.2604.27379,
title = {Proactive Dialogue Model with Intent Prediction},
author = {Yang Luo},
journal= {arXiv preprint arXiv:2604.27379},
year = {2026}
}
备注
9 pages, 1 figure