面向大规模对话分析的语句归一化方法：Clarify, Then Focus

Clarify, Then Focus: Statement Normalization for Conversation Analytics at Scale

AI 导读

研究者提出"先澄清、再聚焦"的语句归一化方法，将对话转化为带说话人归属、来源引用和语义标签的短陈述，使含义更明确并支持按问题筛选证据。在客服通话的优惠抑制任务中，归一化提升了监督分类器表现，较弱的提示式阅读器则同时受益于归一化与筛选。该方法可由小模型学习归一化契约，轻量编码器负责打标与下游决策，从而以全小模型推理管线大幅降低百万级对话分析成本。

正文 · AI 翻译

查看 PDF HTML（实验性）

摘要：企业对话分析会对数百万次交互提出许多问题。每个问题都可能需要重建人们的意思，并识别哪些信息重要，从而在相同的转录文本上重复进行代价高昂的解读工作。我们提出一个简单的原则：先澄清文本，再聚焦读者。语句规范化将对话转换为简短的、带有说话人归属的语句，并附有来源引用和语义标签。这些语句使含义更加明确；标签则支持为特定问题选择证据。下游模型可以使用完整表示或相关子集，取决于哪种方式有助于它们做出决策。在客服通话的报价抑制任务中，规范化无需选择即可改进有监督分类器，而较弱的提示式阅读器则同时受益于规范化和选择。一个小模型可以学习规范化契约，而轻量级编码器负责标签和下游决策。在各问题之间共享这种准备工作，支持构建完全由小模型组成的推理流水线，使对数百万次对话的分析成本大幅降低。

评论：	20 页，1 张图
主题：	计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG）
ACM 分类：	I.2.7
引用为：	arXiv:2610.10758 [cs.CL]
	（或 arXiv:2610.10758v1 [cs.CL] 用于此版本）
	https://doi.org/10.48550/arXiv.2610.10758 由 DataCite 颁发的 arXiv DOI（待注册）

提交历史

来自：Mikhail Arbuzov [查看电子邮件]
[v1] 2026 年 10 月 7 日星期三 18:22:55 UTC（161 KB）

来源：arXiv cs.AI · arxiv.org