DRIVE：面向智能车载环境的非流利对话数据生成框架
摘要
随着自动驾驶汽车和智能助手的广泛普及，车载对话人工智能变得日益重要。然而，现有数据集未能捕捉真实驾驶员与AI对话中特有的自发非流利特征，如犹豫、错误起始、重复和自我修正。为解决这一问题，本文提出了DiscoDrive——一个包含3500个多轮对话的合成语料库，覆盖七个汽车领域，采用两阶段提示驱动流程生成，在合成过程中动态整合非流利特征。
技术贡献
研究表明，DiscoDrive既可作为训练资源使DialoGPT-Medium和T5-Base模型在MultiWOZ 2.2和模式引导对话（SGD）相关测试集上达到或超越KVRET训练模型的性能（BLEU-4提升0.26至0.61；METEOR +2.10；ROUGE-L +3.48；BERTScore F1提升1.35至3.48），也可作为低资源场景下的数据增强资源，当与10%的KVRET数据结合时，能带来额外增益：BLEU-4 +0.38、METEOR +1.95、ROUGE-L +2.87和BERTScore F1 +4.00。
人工评估
人工评估进一步证实，从DiscoDrive采样的对话在自然度（3.8 vs 3.6）和连贯性（4.1 vs 4.0）方面评分高于KVRET人工收集的对话，且在不影响清晰度的前提下，比领先的事后处理方法（如LARD）更具上下文适应性。
