DÉMO : Refonte de l'interaction en dialogue avec la modélisation fine des éléments

DEMO: Reframing Dialogue Interaction with Fine-grained Element Modeling

December 6, 2024

Auteurs: Minzheng Wang, Xinghua Zhang, Kun Chen, Nan Xu, Haiyang Yu, Fei Huang, Wenji Mao, Yongbin Li

cs.AI

Résumé

Les grands modèles de langage (LLM) ont fait du dialogue l'un des modes centraux d'interaction homme-machine, entraînant l'accumulation de vastes quantités de journaux de conversation et une demande croissante de génération de dialogue. Un cycle de vie conversationnel s'étend de la Prélude à l'Interlocution jusqu'à l'Épilogue, englobant divers éléments. Malgré l'existence de nombreuses études liées au dialogue, il existe un manque de références qui englobent des éléments de dialogue complets, entravant la modélisation précise et l'évaluation systématique. Pour combler cette lacune, nous introduisons une tâche de recherche innovante, la Modélisation des Éléments de Dialogue, comprenant la Conscience des Éléments et l'Interaction de l'Agent de Dialogue, et proposons un nouveau référentiel, DEMO, conçu pour une modélisation et une évaluation complètes du dialogue. Inspirés par l'apprentissage par imitation, nous construisons en outre l'agent qui possède la capacité habile de modéliser les éléments de dialogue en se basant sur le référentiel DEMO. Des expériences approfondies indiquent que les LLM existants présentent encore un potentiel considérable d'amélioration, et notre agent DEMO affiche des performances supérieures tant dans les tâches en domaine que hors domaine.

English

Large language models (LLMs) have made dialogue one of the central modes of human-machine interaction, leading to the accumulation of vast amounts of conversation logs and increasing demand for dialogue generation. A conversational life-cycle spans from the Prelude through the Interlocution to the Epilogue, encompassing various elements. Despite the existence of numerous dialogue-related studies, there is a lack of benchmarks that encompass comprehensive dialogue elements, hindering precise modeling and systematic evaluation. To bridge this gap, we introduce an innovative research task Dialogue Element MOdeling, including Element Awareness and Dialogue Agent Interaction, and propose a novel benchmark, DEMO, designed for a comprehensive dialogue modeling and assessment. Inspired by imitation learning, we further build the agent which possesses the adept ability to model dialogue elements based on the DEMO benchmark. Extensive experiments indicate that existing LLMs still exhibit considerable potential for enhancement, and our DEMO agent has superior performance in both in-domain and out-of-domain tasks.