​大模型时代的对话分析：阿里最新综述全面解析对话分析的必要性

背景

随着大语言模型的发展，下一代系统交互朝着基于自然语言对话交互（LanguageUI）高速发展，这将会产生大量的自然语言交互日志，对这些对话日志进行提取、总结、分析、推理，将会带来如等系统优化、客户运营、需求洞察等大量的新应用。

对话分析（Conversation Analysis, CA）旨在从对话（如人人、人机、机器与机器以及多方会话）中识别关键信息，挖掘潜在原因，并制定解决方案以持续推动相关能力的提升，高效促进商业目标（例如提升客户体验、降低投诉率）的达成，简化人工流程、辅助商业洞察与决策过程。

小模型时代 vs. 大模型时代

小模型只能做到扁平、浅显的分析，如情感、意图分类；大模型由于其丰富的世界知识，其分析可以是多方面的、深层次的，使从 What 到 Why 再到 How 的全方位分析过程成为可能，更接近真实业务需求。但目前对话分析仍然面临严峻挑战：

1. 定义：学术上没有系统的对话分析技术定义，导致对话分析的目标以及技术点相对分散。

2. 数据：缺少包含完整对话要素的对话分析数据，导致难以精准建模、评测。

3. 建模：区别于扁平的文本/文档，对话固有的多轮、语境依赖、隐含模糊性、口语化等性质，导致其需要更深层次的建模。

4. 应用：大部分研究仍停留在浅层扁平的分析结果，如情感、立场、摘要等，与真实业务需求具有较大差距。

然而，目前并没有对话分析相关的技术性 survey 去整合归纳这些独立的研究，以及讨论大模型时代背景下的对话分析研究重点，从而难以真正形成技术合力来赋能商业应用。

论文标题：

The Imperative of Conversat