A Survey on Recent Advances in Conversational Data Generation

最近，对话系统的发展显著提升了各种领域中人机交互的效果。然而，由于缺乏专业的对话数据，训练这些系统仍然具有挑战性。传统上，对话数据集是通过众包创建的，但这种方法被证明成本高、规模有限且劳动密集。为了解决这个问题，开发出了合成对话数据的方法，利用技术来增强现有数据集或将文本资源转换为对话格式，提供了一种更高效和可扩展的数据集创建方法。在本调查中，我们系统全面地回顾了多轮对话数据生成，重点关注三种对话系统：开放域、任务导向和信息寻求。我们根据种子数据创建、话语生成和质量过滤方法等关键组成部分对现有研究进行分类，并介绍了一个概括对话数据生成系统主要原则的通用框架。此外，我们还研究了评估合成对话数据的评估指标和方法，解决了该领域当前的挑战，并探讨了未来研究的潜在方向。我们的目标是通过呈现最先进的方法的概述和突出未来研究的机会，加速研究人员和从业者的进展。

论文试图解决如何更高效地创建对话数据集的问题，以及如何评估合成对话数据的质量。

论文介绍了一种基于生成模型的对话数据集生成框架，可以利用现有的对话数据集或文本资源，生成高质量的合成对话数据集。

论文提出了一个系统且全面的对话数据生成方法，包括种子数据创建、话语生成和质量过滤等关键组成部分。同时，还介绍了用于评估合成对话数据的度量和方法，并探讨了该领域的挑战和未来研究方向。

近期的相关研究包括《Creating Large-scale Synthetic Chinese Dialogue Corpora》、《A Survey of Available Corpora for Building Data-driven Dialogue Systems》等。