Haciendo LAPS personales: Construcción de diálogo aumentada por LLM para búsqueda conversacional personalizada en múltiples sesiones

El futuro de los agentes conversacionales proporcionará a los usuarios respuestas de información personalizadas. Sin embargo, un desafío significativo en el desarrollo de modelos es la falta de grandes conjuntos de datos de diálogo que abarquen múltiples sesiones y reflejen las preferencias reales de los usuarios. Los enfoques previos dependen de expertos en un esquema de mago de oz que es difícil de escalar, especialmente para tareas personalizadas. Nuestro método, LAPS, aborda esto utilizando grandes modelos de lenguaje (LLMs) para guiar a un solo trabajador humano en la generación de diálogos personalizados. Este método ha demostrado acelerar el proceso de creación y mejorar la calidad. LAPS puede recopilar conversaciones de gran escala, escritas por humanos, multi-sesión y multi-dominio, incluyendo la extracción de preferencias del usuario. En comparación con conjuntos de datos existentes, las conversaciones producidas por LAPS son tan naturales y diversas como las creadas por expertos, lo cual contrasta con métodos totalmente sintéticos. El conjunto de datos recopilado es adecuado para entrenar la extracción de preferencias y la generación de respuestas personalizadas. Nuestros resultados muestran que las respuestas generadas explícitamente usando preferencias extraídas se ajustan mejor a las preferencias reales del usuario, destacando el valor de usar preferencias extraídas sobre el simple historial de diálogo. En general, LAPS introduce un nuevo método para aprovechar los LLMs y crear datos conversacionales personalizados realistas de manera más eficiente y efectiva que los métodos anteriores.