facebook/content_rephrasing

---
license: cc-by-sa-4.0
---

## Message Content Rephrasing Dataset
Introduced by Einolghozati et al. in Sound Natural: Content Rephrasing in Dialog Systems https://aclanthology.org/2020.emnlp-main.414/

We introduce a new task of rephrasing for amore natural virtual assistant. Currently, vir-tual assistants work in the paradigm of intent-slot tagging and the slot values are directlypassed as-is to the execution engine. However,this setup fails in some scenarios such as mes-saging when the query given by the user needsto be changed before repeating it or sending itto another user. For example, for queries like‘ask my wife if she can pick up the kids’ or ‘re-mind me to take my pills’, we need to rephrasethe content to ‘can you pick up the kids’ and‘take your pills’. In this paper, we study theproblem of rephrasing with messaging as ause case and release a dataset of 3000 pairs oforiginal query and rephrased query. We showthat BART, a pre-trained transformers-basedmasked language model with auto-regressivedecoding, is a strong baseline for the task, andshow improvements by adding a copy-pointerand copy loss to it. We analyze different trade-offs of BART-based and LSTM-based seq2seqmodels, and propose a distilled LSTM-basedseq2seq as the best practical model.

原始信息汇总

消息内容改写数据集

数据集介绍

由Einolghozati等人引入，用于研究对话系统中内容改写的任务。该数据集旨在改进虚拟助手的自然语言处理能力，特别是在需要改写用户查询以适应不同场景的情况下，如发送消息时。

数据集内容

数据集包含3000对原始查询和改写后的查询。例如，原始查询“ask my wife if she can pick up the kids”会被改写为“can you pick up the kids”。

模型研究

研究显示，基于BART的预训练变换器模型在改写任务中表现出色，通过添加复制指针和复制损失可以进一步提高性能。此外，还分析了基于BART和LSTM的序列到序列模型的不同权衡，并提出了基于LSTM的序列到序列模型作为最佳实用模型。

搜集汇总

数据集介绍

构建方式

在对话系统的研究领域中，虚拟助手的自然语言生成能力一直是提升用户体验的关键。针对现有意图-槽位标注范式在消息传递场景中无法直接处理用户查询内容改写的问题，Einolghozati等人提出了一种全新的内容改写任务。该数据集共包含3000对原始查询与改写后的查询配对样本，通过人工标注的方式构建，旨在模拟用户在实际消息传递中需要将原始表述转化为更自然、更符合接收者视角的表达。例如，将“问妻子她是否能接孩子”改写为“你能接孩子吗”，从而为虚拟助手提供更贴近人类交流习惯的训练数据。

使用方法

该数据集适用于训练和评估基于序列到序列模型的文本改写能力。研究者可直接使用原始查询作为输入，改写后的查询作为目标输出，构建监督学习任务。推荐采用预训练的Transformer模型（如BART）作为基线，通过加入复制指针机制和复制损失函数进一步提升改写准确性。对于实际部署场景，可考虑蒸馏LSTM-based seq2seq模型以平衡性能与推理效率。数据集以标准文本对格式存储，可直接加载用于模型训练、验证与测试。

背景与挑战

背景概述

在人机对话系统领域，虚拟助手已广泛采用意图-槽位标记范式来解析用户指令，然而当涉及消息传递等场景时，直接传递槽位值往往导致语义失当。例如，用户指令“ask my wife if she can pick up the kids”若未经改写便发送，会显得生硬且偏离自然交流。为应对这一局限，Einolghozati等研究者在2020年EMNLP会议上提出“内容改写”任务，并发布名为Message Content Rephrasing的数据集。该数据集由3000对原始查询与改写查询组成，聚焦于消息传递这一典型用例，旨在探索如何通过自然语言生成技术提升虚拟助手输出的流畅性与人性化程度。研究者来自Facebook人工智能团队，他们不仅定义了这一新颖的研究问题，还通过实验验证了BART等预训练模型在此任务上的潜力，为后续对话系统优化提供了重要基准。

当前挑战

当前数据集面临的核心挑战涵盖领域问题与构建过程两个层面。在领域问题层面，内容改写任务不仅要求模型理解原始查询的意图与实体，还需根据对话语境生成符合社交规范的改写内容，例如将“ask my wife if she can pick up the kids”转化为“can you pick up the kids”，这涉及指代消解、礼貌性调整与语义保真度的平衡，远超传统文本生成任务。在构建过程中，数据集仅有3000对样本，规模有限且覆盖场景单一（仅限消息传递），这导致模型泛化能力受限，难以应对多样化虚拟助手交互场景（如提醒、日程安排）。此外，人工标注改写对时需兼顾自然性与一致性，标注者主观判断差异可能引入噪声，进一步增加了模型训练的难度。

常用场景

经典使用场景

在对话系统的自然语言生成领域，该数据集被广泛用于研究如何将用户原始查询转化为更符合人机交互习惯的表述。例如，当用户说出“问我妻子她能否接孩子”时，系统需要自动重述为“你能接孩子吗”。这一任务聚焦于内容层面的改写，而非简单的同义替换，要求模型在保留语义的前提下调整人称、语气和结构，从而提升虚拟助手的交互自然度。

解决学术问题

该数据集的核心贡献在于定义了对话系统中内容重述这一全新学术任务，填补了传统意图-槽位填充范式在处理消息发送等场景时的空白。它揭示了直接传递槽位值会导致表述生硬的问题，并提供了3000对高质量改写样本作为基准。研究者利用该数据集验证了BART等预训练模型在序列到序列生成中的潜力，同时通过引入复制指针和复制损失机制，有效缓解了生成内容中的词汇遗漏与指代错误。

实际应用

在实际应用中，该数据集驱动了虚拟助手在消息传递场景下的智能化升级。例如，当用户通过语音指令“提醒我吃药”时，系统能自动重述为“请记得吃药”并设置提醒，避免机械重复原始输入。这类能力被集成到智能音箱、车载助手和手机语音助理中，显著提升了人机对话的流畅性与亲和力，尤其在涉及代词转换、礼貌用语调整等细微交互优化方面展现了重要价值。

数据集最近研究

最新研究方向

在对话系统与自然语言生成领域，内容改写任务正成为提升虚拟助手自然度与用户体验的关键前沿方向。随着智能语音助手在日常消息传递场景中的广泛应用，用户原始查询中诸如“让妻子接孩子”之类的指代或命令式表述，需被改写为更符合对话语境的自然语句（如“你能去接孩子吗”），以避免直白重复或语义歧义。该数据集聚焦于消息内容改写这一具体用例，基于3000对原始查询与改写查询的配对样本，推动了从传统意图-槽位填充范式向语义级内容转化的研究演进。近期研究以BART等预训练变换器模型为强基线，通过引入复制指针与复制损失机制来提升改写准确性与流畅度，并探索了BART与LSTM序列到序列模型之间的性能权衡。在此基础上，轻量级蒸馏LSTM模型被提出作为实际部署中的最优解，兼顾了效果与效率。这一方向的研究不仅为虚拟助手的自然交互提供了可复用的数据资源与模型基准，也呼应了对话系统在隐私保护与上下文感知方面的更高要求，对提升人机对话的语义保真度与表达多样性具有深远意义。