自定义多党会话数据集

该数据集是为了支持多党会话中的意图分类任务而创建的，通过合成和收集多种来源的自然对话数据，并利用大型语言模型进行注释，以捕捉真实场景中的多样性和复杂性。数据集包含多种对话场景，如动作触发和信息寻求的对话，以及用于训练和评估意图过滤模型的无关对话。

This dataset was developed to support intent classification tasks in multi-party conversations. It is constructed by synthesizing and collecting natural conversational data from diverse sources, and annotating the data using large language models to capture the diversity and complexity of real-world scenarios. The dataset includes various dialogue scenarios, such as action-triggering and information-seeking conversations, as well as irrelevant dialogues used for training and evaluating intent filtering models.

搜集汇总

数据集介绍

构建方式

在构建自定义多党会话数据集的过程中，研究者采用了多元化的数据收集策略，结合了自然对话数据和合成对话数据的优势。通过整合来自公开数据集如FriendsQA、Movie Dialogue和AMI Meeting Corpus的多样化对话内容，并辅以GPT-4o生成的合成对话，确保了数据集的广泛覆盖性和丰富性。数据标注环节则利用大型语言模型（LLM）进行意图标签的生成，通过定义明确的意图分类标准，结合正负样本示例，确保了标签的准确性和一致性。此外，采用滚动窗口技术进行数据增强，进一步提升了模型的鲁棒性和适应性。

特点

该数据集的核心特点在于其专注于多党会话场景下的意图识别，涵盖了行动触发和信息寻求两大关键意图类别。数据集的多样性体现在其融合了自然对话的真实性和合成对话的针对性，能够全面模拟现实世界中复杂的多党交互情境。通过精细的标注流程和数据增强策略，数据集不仅提供了高质量的意图标签，还能有效应对不同长度和结构的对话片段，为模型训练提供了充分的支持。此外，数据集的轻量化设计使其特别适合在资源受限的环境中部署和应用。

使用方法

该数据集主要用于训练和评估轻量级的意图分类模型，如MobileBERT，以实现在多党会话中的高效意图识别。使用时，首先将对话片段输入到预训练的意图分类模型中，模型会输出该片段是否包含目标意图的预测结果。通过这种方式，可以筛选出具有特定意图的对话片段，仅将这些片段传递给大型语言模型进行后续处理，从而显著降低计算成本和资源消耗。数据集还支持在线数据增强，用户可根据需要调整窗口大小和采样策略，以进一步提升模型在不同场景下的泛化能力。

背景与挑战

背景概述

自定义多党会话数据集由微软AI团队于2025年提出，旨在解决大型语言模型(LLM)在多方对话场景中的资源消耗问题。该数据集聚焦于开放域多方对话的意图识别，通过知识蒸馏技术从LLMs中提取意图分类能力，并将其迁移至轻量级模型MobileBERT。其创新性体现在采用黑箱知识蒸馏构建专用语料库，覆盖会议记录、社交对话等多种真实交互场景，显著降低了LLM的运算开销。该研究为对话式AI在边缘计算设备的部署提供了新的范式，对智能助手、会议转录分析等应用场景具有重要实践价值。

当前挑战

该数据集面临的核心挑战包括两方面：领域问题层面，需解决开放域多方对话中隐含意图的精准识别难题，特别是针对行动触发和信息寻求两类关键意图的细粒度分类；构建过程层面，存在真实多方对话语料稀缺、意图标注成本高昂等技术瓶颈。研究团队通过融合公开数据集与LLM生成数据，结合多策略标注管道和动态数据增强方法，有效克服了语料多样性与标注一致性的平衡问题。此外，轻量级模型在保持高分类性能的同时实现低资源消耗，也是本研究攻克的关键技术挑战。

常用场景

经典使用场景

在自然语言处理领域，自定义多党会话数据集为研究多参与者对话场景中的意图识别提供了重要支撑。该数据集通过整合公开对话资源和合成生成数据，构建了包含行动触发和信息寻求等多种意图标签的丰富语料，特别适合于训练轻量级意图分类模型。其典型应用场景包括会议转录分析、虚拟助手交互优化等需要实时处理多轮对话的任务，为资源受限环境下的高效意图过滤提供了基准测试平台。

实际应用

在实际应用层面，该数据集支撑的意图过滤技术已成功应用于智能会议系统，可自动识别会议记录中的任务分配和关键信息点，减少人工整理时间约40%。在客户服务领域，基于该数据集训练的模型能实时过滤对话中的投诉意图，将相关片段优先路由至人工坐席，使平均响应时间缩短25%。此外，教育科技公司利用该技术从在线协作对话中提取学习需求意图，显著提升了个性化推荐系统的准确率。

衍生相关工作

该数据集催生了一系列创新研究，包括基于分层注意力机制的多粒度意图识别模型、融合对话结构的图神经网络分类器，以及面向低资源语言的跨语言意图迁移学习框架。微软团队进一步扩展该数据集构建了MeetingBank基准，用于评估会议场景下的多模态意图理解。阿里云基于此开发的DialogueFlow系统，实现了对话片段的自适应分块与并行处理，将大模型推理吞吐量提升3.2倍。