⚠️ 以下所有内容总结都来自于 大语言模型的能力，如有错误，仅供参考，谨慎使用
🔴 请注意：千万不要用于严肃的学术场景，只能用于论文阅读前的初筛！
💗 如果您觉得我们的项目对您有帮助 ChatPaperFree ，还请您给我们一些鼓励！⭐️ HuggingFace免费体验
2025-05-29 更新
Def-DTS: Deductive Reasoning for Open-domain Dialogue Topic Segmentation
Authors:Seungmin Lee, Yongsang Yoo, Minhwa Jung, Min Song
Dialogue Topic Segmentation (DTS) aims to divide dialogues into coherent segments. DTS plays a crucial role in various NLP downstream tasks, but suffers from chronic problems: data shortage, labeling ambiguity, and incremental complexity of recently proposed solutions. On the other hand, Despite advances in Large Language Models (LLMs) and reasoning strategies, these have rarely been applied to DTS. This paper introduces Def-DTS: Deductive Reasoning for Open-domain Dialogue Topic Segmentation, which utilizes LLM-based multi-step deductive reasoning to enhance DTS performance and enable case study using intermediate result. Our method employs a structured prompting approach for bidirectional context summarization, utterance intent classification, and deductive topic shift detection. In the intent classification process, we propose the generalizable intent list for domain-agnostic dialogue intent classification. Experiments in various dialogue settings demonstrate that Def-DTS consistently outperforms traditional and state-of-the-art approaches, with each subtask contributing to improved performance, particularly in reducing type 2 error. We also explore the potential for autolabeling, emphasizing the importance of LLM reasoning techniques in DTS.
对话话题分割（DTS）旨在将对话分割成连贯的片段。DTS在各种NLP下游任务中扮演着至关重要的角色，但它也面临着一些长期存在的问题：数据短缺、标签模糊以及最近提出的解决方案的增量复杂性。另一方面，尽管大型语言模型（LLM）和推理策略有所进展，但这些很少被应用于DTS。本文介绍了Def-DTS：基于开放域对话话题分割的演绎推理，它利用基于LLM的多步演绎推理来提高DTS的性能，并使用中间结果进行案例研究。我们的方法采用结构化提示方法进行双向上下文摘要、话语意图分类和演绎主题转移检测。在意图分类过程中，我们提出了用于领域无关的对话意图分类的可推广意图列表。在各种对话设置中的实验表明，Def-DTS持续优于传统和最新方法，每个子任务都有助于提高性能，特别是在减少类型2错误方面。我们还探索了自动标注的潜力，强调LLM推理技术在DTS中的重要性。
论文及项目相关链接
PDF 19 pages, 3 figures, Accepted to Findings of the ACL 2025
Summary
基于对话主题分段（DTS）的技术在对话分段时面临的挑战包括数据短缺、标签歧义以及现有解决方案的复杂性等问题。这篇论文提出利用大型语言模型（LLM）进行归纳推理的方法Def-DTS，旨在解决这些问题。Def-DTS通过结构化提示进行双向上下文摘要、话语意图分类和推理主题转换检测，以提高DTS的性能。此外，它在不同的对话设置中展现出色的性能表现。
Key Takeaways
- Dialogue Topic Segmentation (DTS)在对话分段时面临数据短缺、标签歧义等问题。
- Def-DTS利用大型语言模型（LLM）进行归纳推理解决DTS的问题。
- Def-DTS通过结构化提示进行双向上下文摘要、话语意图分类和推理主题转换检测。
- Def-DTS在不同对话设置下的表现均超越传统及现有的最佳实践方法。
- 该方法各子任务对于性能的提升有所贡献，尤其是在减少第二类错误方面效果显著。
点此查看论文截图
