利用自然语言推理改进新领域对话中的人物角色抽取

尽管PersonaChat等有价值的数据集为训练基于人物角色的对话智能体提供了基础，但它们缺乏对话和叙事场景的多样性，主要存在于“现实”世界中。为开发具有独特人物角色的对话智能体，模型被训练以根据特定人物角色进行对话，但手工制作这些人物角色可能耗时，因此存在从现有角色特定对话中自动抽取人物角色信息的方法。然而，这些人物角色抽取模型也是在源自PersonaChat的数据集上训练的，难以从非现实世界场景（如幻想主题数据集LIGHT）的对话中提供高质量的人物角色信息。为特定场景创建新数据来训练模型需要大量人力，因此成本高昂。为解决这两个问题，我们引入一种自然语言推理方法，用于事后将已训练的人物角色抽取模型适配到新场景。我们从对话自然语言推理(NLI)文献中汲取灵感，设计了NLI重排序方法，从对话中抽取结构化人物角色信息。与现有的人物角色抽取模型相比，我们的方法返回更高质量的抽取人物角色，且需要更少的人工标注。