论文标题】 A Data-driven Approach to Estimate User Satisfaction in Multi-turn Dialogues 【作者团队】Ziming Li,Dookun Park,Julia Kiseleva,Young-Bum Kim,Sungjin Lee 【发表时间】2021/03/01 【机 构】亚马逊&微软研究院 【论文链接】https://arxiv.org/pdf/2103.01287.pdf

【推荐理由】论文提出了一个与耐心相关的公式来解释用户和数字助手之间的互动，和一种数据驱动的方法来估计用户满意度，并在模拟对话和现实对话中演示了我们的方法的有效性。 评价多回合对话仍然具有挑战性。在对话水平上用体验标记用户满意度的常见方法并不能反映任务的难度。因此，给两个不同复杂程度的任务分配相同的经验分数是有误导性的。另一种方法是，独立评估每个对话回合，忽略了每个回合对最终用户体验的长期影响。相反，我们开发了一种新的评估对话回合水平满意度的方法，该方法具有上下文敏感性和长期视角。我们的方法是数据驱动的，这使得它很容易个性化。用户和对话系统之间的交互是使用预算消耗设置来制定的。我们假设用户有一个基于任务复杂性的对话初始交互预算，并且每个对话回合都有成本。当任务完成或预算已用完时，用户将退出交互。我们在一个模拟对话平台和一个真实的对话数据集上进行了大量的实验，以证明我们的方法的有效性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除