論文の概要: PersuaRL: Reinforcement Learning-Driven Multi-Expert Selection for Persuasive Dialogue Generation in Insurance

• arxiv url: http://arxiv.org/abs/2609.01188v1
• Date: Tue, 01 Sep 2026 13:02:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.670263
• Title: PersuaRL: Reinforcement Learning-Driven Multi-Expert Selection for Persuasive Dialogue Generation in Insurance
• Title（参考訳）: PersuaRL:保険における説得的対話生成のための強化学習駆動型マルチエキスパート選択
• Authors: Rohan Kirti, Akash Ghosh, Aryan Vats, Niladri Ghosh, Shipra Shriparn, Roshni Ramnani, Anutosh Maitra, Sriparna Saha,
• Abstract要約: 大規模言語モデル(LLM)は、顧客サービス、デジタル販売、保険といったドメインにまたがる会話エージェントを活用することで、デジタルコミュニケーションに革命をもたらしている。 実際のコミュニケーションは優れているが、真に説得力があり、文脈に敏感な対話を行う能力に欠けることが多い。 本稿では,LLM駆動対話エージェントに適応的に探索,選択,コーディネートを行う機能を備えた強化学習ベースのフレームワークPersuaRLを紹介する。
• 参考スコア（独自算出の注目度）: 14.699506824596419
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) are revolutionizing digital communication by powering conversational agents deployed across domains such as customer service, digital sales, and insurance. These agents, built on LLMs, can understand user input, retrieve relevant information, and generate coherent responses. However, while they excel at factual communication, they often lack the ability to engage in truly persuasive, context-sensitive dialogue, especially in domains like insurance, where trust and clarity are critical. Building on this need within the insurance domain, our work focuses on improving the persuasiveness of digital agents, aka LLMs. To support this, we introduce InsureDial, a Persuasive Insurance Dialogue dataset, designed to capture the nuances of persuasive communication specific to motor insurance interactions. We introduce PersuaRL, a reinforcement learning-based framework that equips LLM-driven dialogue agents with the ability to adaptively explore, select, and coordinate strategies across multiple expert modules, guided by the evolving dialogue context, to achieve more effective persuasion. We conduct extensive automatic human and qualitative evaluations on two benchmark persuasion dialogue datasets, including our InsureDial. Our evaluations consistently demonstrate that PersuaRL outperforms baseline, generating contextually appropriate and highly persuasive responses.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、顧客サービス、デジタル販売、保険といったドメインにまたがる会話エージェントを活用することで、デジタルコミュニケーションに革命をもたらしている。 LLM上に構築されたこれらのエージェントは、ユーザの入力を理解し、関連する情報を検索し、一貫性のある応答を生成する。 しかし、それらは事実のコミュニケーションに優れていますが、信頼と明確さが不可欠である保険のような分野において、真に説得力があり、文脈に敏感な対話を行う能力に欠けることが多いのです。 本研究は、保険分野におけるこのニーズを踏まえ、デジタルエージェントの説得力の向上に重点を置いている。 これを支援するために,自動車保険のインタラクションに特有な説得コミュニケーションのニュアンスを捉えるために設計された,説得型保険対話データセットであるInsureDialを導入する。 本稿では,LLMによる対話エージェントを組み込んだ強化学習ベースのフレームワークであるPersuaRLを紹介し,複数の専門家モジュール間の戦略を適応的に探索,選択,コーディネートし,より効果的な説得を実現する。 InsureDialを含む2つのベンチマーク問合せ対話データセットに対して、広範囲な人的・質的な評価を行う。 評価は,PersuaRLがベースラインを上回り,文脈的に適切かつ説得力の高い応答を生成することを一貫して示している。

関連論文リスト

• Enhancing Persuasive Dialogue Agents by Synthesizing Cross-Disciplinary Communication Strategies [5.729038915697267]
  我々は,社会心理学,行動経済学,コミュニケーション理論から実証された戦略に基づく説得的対話エージェントを設計するための枠組みを開発する。 2つの異なるデータセットの実験を通じて提案したフレームワークを検証した。
  論文  参考訳（メタデータ） (2026-02-26T07:18:45Z)
• Affective Multimodal Agents with Proactive Knowledge Grounding for Emotionally Aligned Marketing Dialogue [3.780355670921318]
  AffectMindは、感情的アライメントと説得的相互作用を維持するために、積極的な推論と動的知識を基礎とする多モーダル感情対話エージェントである。 実験の結果,AffectMindは感情的一貫性,説得的成功率,長期ユーザエンゲージメントにおいて,強いLCMベースラインを上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-11-21T04:16:45Z)
• MMPersuade: A Dataset and Evaluation Framework for Multimodal Persuasion [73.99171322670772]
  LVLM(Large Vision-Language Models)は、ショッピング、健康、ニュースなどの分野に展開されている。 MMPersuadeはLVLMにおけるマルチモーダルパーサージョンダイナミクスを体系的に研究するための統一的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-10-26T17:39:21Z)
• Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations [58.65755268815283]
  多くの実際の対話は対話的であり、つまりエージェントの発話が会話の相手に影響を与えるか、情報を引き出すか、意見を変えるかである。 この事実を利用して、既存の最適データを書き直し、拡張し、オフライン強化学習(RL)を介してトレーニングする。 実際の人間によるユーザ調査の結果、我々のアプローチは既存の最先端の対話エージェントを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-07T21:37:51Z)
• Persuasion Games using Large Language Models [0.0]
  大型言語モデル (LLM) は、人間のような文章を解釈し、生成することのできる、恐ろしい道具として登場した。 本稿では,LCMがユーザ視点を形作り,その決定を特定のタスクに影響を及ぼす可能性について考察する。 この機能は、投資、クレジットカード、保険など、さまざまな分野のアプリケーションを見つける。
  論文  参考訳（メタデータ） (2024-08-28T15:50:41Z)
• Self-Explanation Prompting Improves Dialogue Understanding in Large Language Models [52.24756457516834]
  大規模言語モデル(LLM)の理解能力を高めるための新たな「自己説明(Self-Explanation)」を提案する。 このタスクに依存しないアプローチでは、タスク実行前の各対話発話を分析し、様々な対話中心のタスクのパフォーマンスを向上させる必要がある。 6つのベンチマークデータセットによる実験結果から,本手法は他のゼロショットプロンプトよりも一貫して優れており,数ショットプロンプトの有効性を超えていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-22T15:41:34Z)
• Controllable Mixed-Initiative Dialogue Generation through Prompting [50.03458333265885]
  混合開始対話タスクには、情報の繰り返し交換と会話制御が含まれる。 エージェントは、ポリシープランナーが定める特定の対話意図や戦略に従う応答を生成することにより、コントロールを得る。 標準的なアプローチは、これらの意図に基づいて生成条件を実行するために、訓練済みの言語モデルを微調整している。 代わりに、条件生成の微調整に代えて、大きな言語モデルをドロップインで置き換えるように促します。
  論文  参考訳（メタデータ） (2023-05-06T23:11:25Z)
• A Mixture-of-Expert Approach to RL-based Dialogue Management [56.08449336469477]
  我々は、強化学習を用いて、近視性(一般的な発話の出力)を回避し、全体的なユーザ満足度を最大化する対話エージェントを開発する。 既存のRLアプローチのほとんどは、単語レベルでエージェントを訓練するので、中規模の語彙であっても、非常に複雑なアクション空間を扱う必要がある。 i)会話履歴の多様な意味を学習できるLMと、(ii)対応する発話を生成できる専門的なLM(または専門家)からなる、新しい専門家言語モデル(MoE-LM)を用いたRLベースのDMを開発する。
  論文  参考訳（メタデータ） (2022-05-31T19:00:41Z)
• Structural Pre-training for Dialogue Comprehension [51.215629336320305]
  本稿では,SPIDER, Structure Pre-trained DialoguE Readerについて述べる。 対話のような特徴をシミュレートするために,元のLM目的に加えて,2つの訓練目標を提案する。 広く使われている対話ベンチマークの実験結果から,新たに導入した自己教師型タスクの有効性が検証された。
  論文  参考訳（メタデータ） (2021-05-23T15:16:54Z)

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。