論文の概要: Evaluating, Synthesizing, and Enhancing for Customer Support Conversation

• arxiv url: http://arxiv.org/abs/2508.04423v1
• Date: Wed, 06 Aug 2025 13:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.730325
• Title: Evaluating, Synthesizing, and Enhancing for Customer Support Conversation
• Title（参考訳）: 顧客サポート会話の評価, 合成, 強化
• Authors: Jie Zhu, Huaixia Dou, Junhui Li, Lifan Guo, Feng Chen, Chi Zhang, Fang Kong,
• Abstract要約: 我々は、顧客サービス担当者に対して、明確に定義されたサポート戦略を用いて対応するよう訓練することを目的とした顧客サポート会話(CSC)の課題を紹介する。 CSConvは、1,855件の現実世界の顧客とエージェントの会話をLCMで書き直して、意図的な戦略利用を反映した評価データセットである。 我々は,LCMをベースとした役割をCSCフレームワークに合わせることで,戦略に富んだ会話をシミュレートするロールプレイングアプローチを開発し,トレーニングデータセットRoleCSを開発した。
• 参考スコア（独自算出の注目度）: 14.412439416128544
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Effective customer support requires not only accurate problem solving but also structured and empathetic communication aligned with professional standards. However, existing dialogue datasets often lack strategic guidance, and real-world service data is difficult to access and annotate. To address this, we introduce the task of Customer Support Conversation (CSC), aimed at training customer service agents to respond using well-defined support strategies. We propose a structured CSC framework grounded in COPC guidelines, defining five conversational stages and twelve strategies to guide high-quality interactions. Based on this, we construct CSConv, an evaluation dataset of 1,855 real-world customer-agent conversations rewritten using LLMs to reflect deliberate strategy use, and annotated accordingly. Additionally, we develop a role-playing approach that simulates strategy-rich conversations using LLM-powered roles aligned with the CSC framework, resulting in the training dataset RoleCS. Experiments show that fine-tuning strong LLMs on RoleCS significantly improves their ability to generate high-quality, strategy-aligned responses on CSConv. Human evaluations further confirm gains in problem resolution. All code and data will be made publicly available at https://github.com/aliyun/qwen-dianjin.
• Abstract（参考訳）: 効果的なカスタマーサポートには、正確な問題解決だけでなく、専門的な標準に沿った構造化された共感的なコミュニケーションも必要です。 しかし、既存の対話データセットは戦略的なガイダンスを欠くことが多く、実際のサービスデータはアクセスや注釈が難しい。 そこで本稿では、顧客サービス担当者に対して、適切に定義されたサポート戦略を用いて対応を訓練することを目的とした顧客サポート会話(CSC)の課題を紹介する。 我々は,COPCガイドラインに基づく構造化CSCフレームワークを提案し,高品質なインタラクションを導くための5つの対話ステージと12の戦略を定義した。 CSConv は LLM を用いて書き直した実世界の顧客とエージェントの会話を1,855 件評価データセットとして構築し,それに応じてアノテートした。 さらに,LCMを駆使した役割をCSCフレームワークに合わせることで,戦略に富んだ会話をシミュレートするロールプレイング手法を開発し,トレーニングデータセットであるRoleCSを開発した。 実験の結果,RoleCS上でのLLMの微調整により,CSConv上での高品質な戦略整合応答が著しく向上することがわかった。 人間の評価は問題解決における利得をさらに確証する。 すべてのコードとデータはhttps://github.com/aliyun/qwen-dianjin.comで公開される。

関連論文リスト

• Toward Real-World Chinese Psychological Support Dialogues: CPsDD Dataset and a Co-Evolving Multi-Agent System [7.744725404359205]
  本稿では,限られた実世界のデータと専門知識を利用して,ダイアログ生成とダイアログ生成という2つの大きな言語モデルを微調整するフレームワークを提案する。 Generatorは、事前に定義されたパスに基づいて大規模な心理的カウンセリング対話を生成し、システム応答戦略とユーザインタラクションをガイドする。 包括的エージェント対話支援システム(CADSS)では、プロファイラがユーザ特性を分析し、要約器が対話履歴を凝縮し、プランナーが戦略を選択し、支援者が共感反応を生成する。
  論文  参考訳（メタデータ） (2025-07-10T07:56:35Z)
• Federated In-Context Learning: Iterative Refinement for Improved Answer Quality [62.72381208029899]
  In-context Learning (ICL) では、入力に提供される例を活用することで、パラメータを変更することなく、言語モデルで応答を生成することができる。 我々は,反復的協調プロセスを通じてICLを強化する汎用フレームワークであるFederated In-Context Learning (Fed-ICL)を提案する。 Fed-ICLは、クライアントと中央サーバ間のマルチラウンドインタラクションを活用することで、応答を徐々に洗練し、モデルパラメータを送信することなく、応答品質を向上させる。
  論文  参考訳（メタデータ） (2025-06-09T05:33:28Z)
• From Reviews to Dialogues: Active Synthesis for Zero-Shot LLM-based Conversational Recommender System [49.57258257916805]
  大きな言語モデル(LLM)は強力なゼロショットレコメンデーション機能を示している。 現実的なアプリケーションは、スケーラビリティ、解釈可能性、データプライバシの制約により、より小さく、内部的に管理された推奨モデルを好むことが多い。 能動学習技術によって導かれるブラックボックスLSMを利用して,会話学習データを合成する能動データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-21T23:05:47Z)
• Towards Personalized Conversational Sales Agents: Contextual User Profiling for Strategic Action [12.637812936971049]
  本稿では,一貫した会話の枠組みの中で,嗜好の誘惑,推薦,説得を統合する新しいタスクである会話販売(CSALES)について紹介する。 また,文脈的ユーザプロファイルを積極的に推測し,会話を通じて戦略的に行動を選択する対話販売エージェントであるCSIを提案する。
  論文  参考訳（メタデータ） (2025-03-28T15:49:52Z)
• Steering Conversational Large Language Models for Long Emotional Support Conversations [4.984018914962973]
  我々はLlama-2とLlama-3のモデルスイートのステアビリティに着目し、相互作用を通してこれらの戦略を維持する能力について検討する。 これを評価するために、注意マップを通して、モデルが引き起こした戦略への固執を定量化する戦略関連注意尺度(SRA)を導入する。
  論文  参考訳（メタデータ） (2024-02-16T05:03:01Z)
• Communication-Efficient Personalized Federated Learning for Speech-to-Text Tasks [64.02867484165476]
  プライバシー保護と法的規制を満たすために、連邦学習(FL)は、音声テキスト(S2T)システムのトレーニングにおいて大きな注目を集めている。 S2Tタスクで一般的に使用されるFLアプローチ(textscFedAvg)は、通常、広範な通信オーバーヘッドに悩まされる。 我々は、クライアント側チューニングとサーバとのインタラクションのための軽量なLoRAモジュールであるtextscFedLoRA と、$k$-near を備えたグローバルモデルである textscFedMem を導入したパーソナライズされたS2Tフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-18T15:39:38Z)
• Improving Conversational Recommendation Systems via Counterfactual Data Simulation [73.4526400381668]
  会話推薦システム(CRS)は、自然言語による会話を通じてレコメンデーションサービスを提供することを目的としている。 既存のCRSアプローチは、トレーニングデータの不足により、トレーニングの不十分な問題に悩まされることが多い。 我々は,CRSにおけるデータ不足の問題を緩和するため,CFCRSと呼ばれるCRSに対するCounterFactualデータシミュレーション手法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T12:48:56Z)
• CLASS: A Design Framework for building Intelligent Tutoring Systems based on Learning Science principles [25.90420385230675]
  本稿では,高性能大規模言語モデル(LLM)を利用した高度知能チューニングシステム(ITS)を構築するためのフレームワークを提案する。 CLASSフレームワークには本質的な問題解決戦略が備わっており、教師のような段階的な指導を学生に提供することができる。 我々は、CLASSフレームワークを用いて学習し、大学レベルの生物コンテンツに焦点をあてた概念実証ITS(SPOCK)を提案する。
  論文  参考訳（メタデータ） (2023-05-22T17:35:05Z)
• FCC: Fusing Conversation History and Candidate Provenance for Contextual Response Ranking in Dialogue Systems [53.89014188309486]
  複数のチャネルからコンテキスト情報を統合できるフレキシブルなニューラルネットワークフレームワークを提案する。 会話応答ランキングタスクの評価に広く用いられているMSDialogデータセット上で,本モデルの評価を行った。
  論文  参考訳（メタデータ） (2023-03-31T23:58:28Z)
• Deploying a Retrieval based Response Model for Task Oriented Dialogues [8.671263996400844]
  タスク指向の対話システムは会話能力が高く、状況の変化に容易に適応でき、ビジネス上の制約に適合する必要がある。 本稿では,これらの基準を満たす対話モデルを開発するための3段階の手順について述べる。
  論文  参考訳（メタデータ） (2022-10-25T23:10:19Z)
• Stylistic Dialogue Generation via Information-Guided Reinforcement Learning Strategy [65.98002918470544]
  情報指導強化学習(IG-RL)と呼ばれる新しい学習戦略を導入する。 IG-RLでは、コンテンツ品質の維持を制約しながら、スタイル表現を探索するトレーニングモデルが推奨されている。 これは,品質保存探索のための統計的スタイル情報ガイダンスを用いた強化学習戦略を採用することで達成される。
  論文  参考訳（メタデータ） (2020-04-05T13:58:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。