字里行间：单向对话问题

arXiv cs.CL 论文
conversational-ai dialogue-reconstruction privacy-aware one-sided-conversation multimodal-learning summarization

摘要

本文介绍了单向对话问题（1SC），针对在远程医疗和呼叫中心等现实场景中，仅有一方发言转录的情况下，如何重建缺失的对话内容和生成摘要。作者在多个数据集上评估了提示和微调模型，发现访问未来上下文和话语长度信息能改进重建效果，同时无需完整对话重建即可生成高质量摘要。

arXiv:2511.03056v2 公告类型：替换 摘要：对话AI在许多现实场景中受到限制，这些场景仅能录制一方的对话，如远程医疗、呼叫中心和智能眼镜。我们将此形式化为单向对话问题（1SC）：推断和学习对话的一方。我们研究两个任务：(1) 为实时用例重建缺失说话方的转折点，(2) 从单向转录生成摘要。通过在MultiWOZ、DailyDialog和Candor上评估提示和微调模型，并采用人工A/B测试和LLM-as-a-judge指标，我们发现访问一个未来转折点和话语长度信息能改进重建，占位符提示有助于缓解幻觉，大型模型通过提示能生成有前景的重建结果，而较小模型需要微调。此外，无需重建缺失转折点即可生成高质量摘要。我们将1SC作为一个新颖的挑战提出，并报告了有前景的结果，这标志着隐私感知对话AI发展的一大步。
查看原文
查看缓存全文

缓存时间: 2026/04/20 08:31 

# 字里行间：单向对话问题
来源：https://arxiv.org/abs/2511.03056
查看 PDF (https://arxiv.org/pdf/2511.03056)

> 摘要：在许多现实应用中，对话式 AI 受到限制，因为只能记录对话的一方，如远程医疗、呼叫中心和智能眼镜。我们将这个问题形式化为单向对话问题（1SC）：推断并从对话的一方学习。我们研究两个任务：（1）为实时用例重建缺失发言者的发言，以及（2）从单向对话记录生成摘要。通过在 MultiWOZ、DailyDialog 和 Candor 数据集上评估提示和微调模型，使用人工 A/B 测试和 LLM 作为评判的指标，我们发现：获取一个未来轮次和话语长度信息可以改进重建效果，占位符提示有助于减轻幻觉，虽然大型模型通过提示生成了有希望的重建结果，但较小的模型需要微调。此外，无需重建缺失轮次也能生成高质量摘要。我们将 1SC 呈现为一个新型挑战，并报告了有希望的结果，标志着朝着隐私保护型对话式 AI 迈出了一步。

## 提交历史

来自：Victoria Ebert [查看邮箱 (https://arxiv.org/show-email/c68990da/2511.03056)] **[[v1]](https://arxiv.org/abs/2511.03056v1)** 2025 年 11 月 4 日星期二 22:53:57 UTC（513 KB）**[v2]** 2026 年 4 月 16 日星期四 17:48:38 UTC（9,889 KB）

相似文章

长期历史感知的医疗对话合成与评估

arXiv cs.CL

本文介绍了一种利用大语言模型（LLMs）合成长期医疗对话数据集的框架，并创建了 MediLongChat，包含三个基准任务，用于评估医疗智能体的记忆与推理能力。实验表明，即使是最先进的 LLMs 也难以完成这些任务。

单轮对话中多种支持策略的建模及其在情感支持对话中的应用

Hugging Face Daily Papers

论文页面 - 单轮对话中多种支持策略的建模及其在情感支持对话中的应用 来源：[https://huggingface.co/papers/2604.17972](https://huggingface.co/papers/2604.17972) ## 摘要 多策略话语生成方法通过在单个回复中整合多种支持策略，优于单策略方法。情感支持对话（ESC）旨在通过生成移情性和支持性对话来帮助处于困境中的个体。