Unsupervised Extraction of Dialogue Policies from Conversations

对话策略在开发任务导向型对话系统中起着至关重要的作用，但它们的开发和维护具有挑战性，并且通常需要对话建模专家投入大量的工作。虽然在许多情况下，大量的对话数据可用于完成任务，但人们缺乏一种有效的解决方案，能够从这些数据中提取对话策略。本文首先演示了如何利用大型语言模型（LLMs）从数据集中提取对话策略，通过将对话转换为规范形式的统一中间表示。然后，我们提出了一种新颖的方法，利用可控和可解释的基于图形的方法生成对话策略。通过将对话中的规范形式组合成一个流网络，我们发现运行图遍历算法有助于提取对话流。这些流比通过提示LLMs提取的流更能代表潜在的交互。我们的技术专注于给对话设计者更大的控制权，提供一个提高对话策略开发过程效率的生产力工具。

提取对话策略是任务导向对话系统开发的关键问题，但是目前从大量对话数据中提取对话策略仍然具有挑战性。本文试图通过将对话转化为规范形式的中间表示，利用大型语言模型（LLMs）从数据集中提取对话策略，以解决这一问题。

本文提出了一种基于图的方法，将对话中的规范形式组合成流网络，通过运行图遍历算法来提取对话流。与通过LLMs提示提取的流相比，我们的技术可以使对话设计者具有更大的控制力，提高对话策略开发过程的效率。

本文的亮点包括使用大型语言模型提取对话策略的方法以及基于图的方法来提取对话流。实验使用了多个数据集，并且开放了代码。值得深入研究的工作包括如何更好地将对话转化为规范形式以及如何进一步优化提取对话策略的方法。

在这个领域中，最近的相关研究包括“End-to-End Task-Completion Neural Dialogue Systems”和“Data-Driven Dialogue Systems”。