S3-DST：LLM 时代的开放域对话结构化分段与状态跟踪
计算与语言
2023-09-19 v1 人工智能
摘要
传统的对话状态跟踪（DST）问题旨在跟踪用户-智能体对话中的用户偏好与意图。虽然足以支持窄域应用任务导向对话系统，但基于大语言模型（LLM）的聊天系统的出现给开放域对话带来了许多现实复杂性。这些复杂性表现为上下文交互复杂性增加、涵盖多样话题的延长对话会话，以及更频繁的上下文偏移。为处理这些源于演进中 LLM 聊天系统的复杂性，我们提出开放域对话系统中按段联合对话分段与状态跟踪。假设适用于真正开放域对话系统的零样本设定，我们提出 S3-DST，一种结构化提示技术，其利用我们为改进长上下文跟踪而设计的新型 grounding 机制——预分析回忆（Pre-Analytical Recollection）。为展示我们所提方法在联合分段与状态跟踪上的效能，我们在专有匿名开放域对话数据集以及公开可用的 DST 与分段数据集上评估 S3-DST。在所有数据集与设定下，S3-DST 一致优于 state-of-the-art，展示了其对下一代 LLM 聊天系统的效力与鲁棒性。
引用
@article{arxiv.2309.08827,
title = {S3-DST: Structured Open-Domain Dialogue Segmentation and State Tracking in the Era of LLMs},
author = {Sarkar Snigdha Sarathi Das and Chirag Shah and Mengting Wan and Jennifer Neville and Longqi Yang and Reid Andersen and Georg Buscher and Tara Safavi},
journal= {arXiv preprint arXiv:2309.08827},
year = {2023}
}