Data Augmentation of Multi-turn Psychological Dialogue via Knowledge-driven Progressive Thought Prompting

现有的对话数据增强（DA）技术主要集中在增强话语级别的对话，这使得难以考虑到对话的上下文信息。大型语言模型（LLM）的出现简化了多轮对话的实现。由于缺乏专业的理解和知识，要在心理对话等低资源领域实现令人满意的性能仍然具有挑战性。DA涉及基于现有数据创建新的训练或提示数据，有助于模型更好地理解和生成与心理相关的响应。本文旨在解决心理领域中的多轮对话数据增强问题，以提高性能。我们提出了一种基于知识驱动的渐进式思维提示方法，以指导LLM生成多轮心理相关对话。该方法集成了渐进式思维生成器、心理知识生成器和多轮对话生成器。渐进式思维生成器生成的思维作为提示，以防止生成的对话具有显着的语义偏差，而心理知识生成器生成心理学知识作为LLM的对话历史，指导对话生成器创建多轮心理对话。为了确保LLM生成的多轮心理对话的精度，需要进行细致的专业评估。在与心理对话相关的三个数据集上进行的广泛实验验证了所提出方法的有效性。

本论文旨在解决心理对话领域的低资源问题，提出了一种基于知识驱动的渐进式思维提示方法来增强多轮心理对话的性能。

该方法结合了渐进式思维生成器、心理学知识生成器和多轮对话生成器，利用生成的思维提示和心理学知识来指导LLM生成多轮心理对话。

论文通过实验验证了该方法在三个与心理对话相关的数据集上的有效性，并强调了精细的专业评估的重要性。

与该论文相关的研究包括对话数据增强技术、大型语言模型在对话生成中的应用等。