低データレジームにおける対話からのワークフロー発見

テキストベースの対話は現在、実世界の問題を解決するために広く使用されています。既に解決策の戦略が知られている場合、それらはしばしばワークフローとして体系化され、顧客を支援するタスクにおいて人間や人工エージェントをガイドするために利用されます。本稿では、形式的なワークフローがまだ存在しない状況に焦点を当てた新しい問題設定である「ワークフローディスカバリ (WD)」を導入します。それでも、特定の問題を解決するために行われた一連のアクションを見出したいという願いがあります。また、この新規タスクに対するシーケンス・ツー・シーケンス (Seq2Seq) アプローチについても検討します。私たちは、アクションベース会話データセット (ABCD) から対話を通じてワークフローを抽出する実験を行いました。ABCD の対話は既知のワークフローに基づいてエージェントをガイドするため、そのようなワークフローを抽出する能力をアクションの真値シーケンスを使用して評価することができます。私たちは、可能なアクションの集合にモデルを条件付けするアプローチを提案し、評価しました。この戦略を使用することで、WD の性能向上が示されました。さらに、学習済みモデルをデータセット内およびデータセット間で未見のドメインへ転移させる際には、ゼロショットおよびファウォーショットの WD 性能も改善されることが確認されました。また、ABCD において私たちの Seq2Seq メソッドの変形版は、多くの評価指標において関連するが異なる「アクション状態追跡 (AST)」と「カスケード対話成功 (CDS)」という問題に対して最先端の性能を達成しています。