We Argue to Agree: Towards Personality-Driven Argumentation-Based Negotiation Dialogue Systems for Tourism

📄 arXiv: 2509.11118v1 📥 PDF

作者: Priyanshu Priya, Saurav Dudhate, Desai Vishesh Yasheshbhai, Asif Ekbal

分类: cs.CL, cs.AI

发布日期: 2025-09-14

备注: Paper is accepted at EMNLP (Findings) 2025

💡 一句话要点

提出PAN-DG任务与PACT数据集，用于旅游领域个性化论辩式协商对话生成。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 协商对话系统 个性化建模 论辩机制 大型语言模型 旅游领域 对话生成 人机交互

📋 核心要点

  1. 现有协商对话系统缺乏有效的论辩机制，难以充分解决冲突，个性化程度也有待提高。
  2. 提出PAN-DG任务，并构建PACT数据集，旨在利用个性化属性驱动论辩式协商对话生成，提升系统适应性。
  3. 实验表明，在PACT数据集上微调的LLM能够生成更具个性化和理性的协商回复，验证了数据集的有效性。

📝 摘要（中文）

本文提出了一种新的个性化驱动的论辩式协商对话生成(PAN-DG)任务，旨在改进协商对话系统中的冲突解决能力，并通过整合个性属性来增强系统的适应性。为了支持该任务，作者构建了一个名为PACT的数据集，该数据集包含旅游领域的个性化论辩式协商对话。PACT数据集利用大型语言模型(LLM)生成，具有三种不同的个性特征：论辩特征、偏好特征和购买风格特征，从而模拟各种涉及不同个性的协商场景。自动和人工评估表明，该数据集包含高质量的对话。此外，作者还对预训练和微调的LLM进行了PAN-DG任务的对比实验。多维评估表明，微调的LLM能够有效地在协商过程中生成个性化驱动的理性回应。这突显了PACT在增强协商对话系统中的个性化和推理能力方面的有效性，从而为该领域的未来研究奠定了基础。

🔬 方法详解

问题定义：现有协商对话系统在解决冲突时，缺乏有效的论辩机制，难以充分利用论据和批判进行协商。此外，系统对用户个性的考虑不足，导致交互体验不够个性化，难以适应不同用户的偏好和风格。因此，需要一种能够结合论辩和个性化信息的协商对话生成方法。

核心思路：本文的核心思路是利用大型语言模型（LLM）的强大生成能力，结合个性化特征和论辩机制，生成更具个性化和理性的协商对话。通过构建包含多种个性特征的数据集，并对LLM进行微调，使模型能够理解和模拟不同个性的用户在协商过程中的行为和偏好。

技术框架：整体框架包括数据集构建和模型训练两个主要阶段。数据集构建阶段，利用LLM生成包含三种个性特征（论辩特征、偏好特征和购买风格特征）的协商对话。模型训练阶段，使用预训练的LLM，并在PACT数据集上进行微调，使其能够生成个性化驱动的论辩式协商对话。

关键创新：主要的创新点在于提出了PAN-DG任务，即将个性化属性融入到论辩式协商对话生成中。此外，PACT数据集的构建也是一个创新，它提供了一个包含多种个性特征的协商对话语料库，为研究个性化协商对话提供了数据基础。

关键设计：PACT数据集包含三种个性特征：论辩特征（例如，喜欢争论、避免争论）、偏好特征（例如，对价格敏感、对质量敏感）和购买风格特征（例如，冲动型、理性型）。在模型微调过程中，使用了标准的语言模型训练目标，例如交叉熵损失函数，以优化模型生成对话的质量和个性化程度。具体的网络结构取决于所使用的LLM，例如可以使用Transformer架构。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在PACT数据集上微调的LLM在生成个性化和理性的协商回复方面表现出色。多维评估结果显示，微调后的模型能够更好地理解和模拟不同个性的用户，生成更符合用户偏好的对话。与预训练模型相比，微调模型在多个指标上均有显著提升，证明了PACT数据集和PAN-DG任务的有效性。

🎯 应用场景

该研究成果可应用于智能客服、旅游推荐系统、在线销售等领域。通过模拟不同个性的用户进行协商，系统可以更好地理解用户的需求和偏好，提供更个性化的服务和产品推荐，从而提高用户满意度和销售额。未来，该技术还可应用于人机协作、谈判策略制定等领域。

📄 摘要（原文）

Integrating argumentation mechanisms into negotiation dialogue systems improves conflict resolution through exchanges of arguments and critiques. Moreover, incorporating personality attributes enhances adaptability by aligning interactions with individuals' preferences and styles. To advance these capabilities in negotiation dialogue systems, we propose a novel Personality-driven Argumentation-based Negotiation Dialogue Generation (PAN-DG) task. To support this task, we introduce PACT, a dataset of Personality-driven Argumentation-based negotiation Conversations for Tourism sector. This dataset, generated using Large Language Models (LLMs), features three distinct personality profiles, viz. Argumentation Profile, Preference Profile, and Buying Style Profile to simulate a variety of negotiation scenarios involving diverse personalities. Thorough automatic and manual evaluations indicate that the dataset comprises high-quality dialogues. Further, we conduct comparative experiments between pre-trained and fine-tuned LLMs for the PAN-DG task. Multi-dimensional evaluation demonstrates that the fine-tuned LLMs effectively generate personality-driven rational responses during negotiations. This underscores the effectiveness of PACT in enhancing personalization and reasoning capabilities in negotiation dialogue systems, thereby establishing a foundation for future research in this domain.