Injecting Salesperson’s Dialogue Strategies in Large Language Models with Chain-of-Thought Reasoning

本文是LLM系列文章，针对《Injecting Salesperson’s Dialogue Strategies in Large Language Models with Chain-of-Thought Reasoning》的翻译。

摘要

最近对对话系统和语料库的研究主要集中在两大类：面向任务（TOD）和开放域（聊天）对话。TOD系统帮助用户完成特定任务，而开放域系统旨在创建引人入胜的对话。然而，在现实世界的场景中，用户意图通常会在交互过程中显现出来。最近的一项研究引入了SalesBot，它模拟了从闲聊到任务导向场景的对话，以培训销售代理。不幸的是，最初的数据缺乏平稳的过渡和连贯的长时间对话，导致销售与客户互动的自然性较差。为了解决这些问题，本文提出了改进的数据集SalesBot 2.0。它通过战略提示利用来自大型语言模型（LLM）的常识知识。此外，我们引入了一个名为SALESAGENT的新模型，该模型使用思维链（CoT）推理对销售人员的互动进行训练。该模型在转换主题、理解用户意图和选择适当策略方面表现出色。使用不同用户模拟的实验验证了我们的方法在LLM中控制对话策略的有效性。此外，SalesBot 2.0增强了一致性，减少了攻击性，促进了销售客户互动的更好模型学习。

1 引言

2 相关工作

3 SalesBot 2.0框架

4 SALESAGENT：在LLMs中注入对话策略

5 评估

6 结论

本文介绍了一种利用大型语言模型（LLMs）的常识知识生成面向意图对话的新框架。我们提出的SalesBot 2.0数据集包含数千个类人对话，与现有