[论文解读] Generating Dialogue Agents via Automated Planning

Adi Botea, Christian Muise+10 more|arXiv (Cornell University)|Feb 2, 2019

Speech and dialogue systems参考文献 15被引用 7

一句话总结

本文提出了一种基于领域无关的AI规划方法，通过利用原子对话动作库、初始状态和目标，自动生成定制化、目标导向的对话代理。该方法能够自动生成支持多轮对话、集成外部服务调用并处理非确定性用户响应的对话计划，并已在人力资源和职业辅导应用中成功部署。

ABSTRACT

Dialogue systems have many applications such as customer support or question answering. Typically they have been limited to shallow single turn interactions. However more advanced applications such as career coaching or planning a trip require a much more complex multi-turn dialogue. Current limitations of conversational systems have made it difficult to support applications that require personalization, customization and context dependent interactions. We tackle this challenging problem by using domain-independent AI planning to automatically create dialogue plans, customized to guide a dialogue towards achieving a given goal. The input includes a library of atomic dialogue actions, an initial state of the dialogue, and a goal. Dialogue plans are plugged into a dialogue system capable to orchestrate their execution. Use cases demonstrate the viability of the approach. Our work on dialogue planning has been integrated into a product, and it is in the process of being deployed into another.

研究动机与目标

• 解决现有对话系统依赖僵化对话树或不可预测的机器学习模型所带来的局限性。
• 实现可扩展、可维护且可预测的对话代理，以支持人力资源和职业辅导等复杂领域中的多轮交互。
• 支持动态、上下文敏感的对话，能够根据用户选择和外部服务结果自适应调整。
• 通过在动作或目标变更时支持自动重新生成，显著减少设计和维护对话计划的手动工作量。
• 将对话规划集成到实际产品中，并验证其可行性和可扩展性。

提出的方法

• 使用领域无关的自动化规划，从原子对话动作库、初始状态和目标状态自动生成对话计划。
• 将对话动作建模为具有前提条件和效果的非确定性流畅量（fluents），包括 'select'（多个结果中的一个）和 'assign'（同时更新上下文）。
• 采用完全可观测的非确定性规划（FOND）以处理用户响应中的不确定性，并为多种可能结果制定计划。
• 在对话动作中集成对外部服务的调用，通过输入和输出标注支持上下文感知的执行。
• 通过随机问题生成器生成合成对话场景，控制流畅量、动作和目标结构，以生成计划。
• 通过对话系统执行计划，协调动作序列并监控偏差，使用考虑非确定性的静态计划。

实验结果

研究问题

• RQ1 自动化规划能否有效用于生成支持多轮、上下文敏感交互的复杂目标导向对话计划？
• RQ2 对话系统应如何设计以在保持计划可预测性和正确性的前提下处理非确定性用户响应？
• RQ3 单一对话动作库在不同领域和场景中可重用的程度如何？
• RQ4 生成的对话计划规模与底层模型规模相比如何？这对可扩展性有何启示？
• RQ5 此类基于规划的对话代理是否能在对可靠性与可维护性有要求的真实应用场景中成功部署？

主要发现

• 该方法成功生成了可扩展且可维护的对话计划，解决方案规模通常为模型规模的4至16倍，表明其具有高效的紧凑表示能力。
• 采用FOND规划可稳健处理非确定性，无需在执行过程中动态重新规划。
• 该系统已集成至生产级人力资源产品中，并正在职业辅导应用中部署，证明了其在真实场景中的可行性。
• 随机生成的合成对话问题与真实对话计划在结构上具有相似性，预期计划长度和动作类型与已知模式一致。
• 当动作或目标发生变更时，该方法显著减少了对话计划的手动修改工作量，极大提升了可维护性。
• 该方法支持涉及外部服务调用和异常处理的动态多轮对话，能够实现复杂且个性化的交互。