METRO: 전문가 대화 기록을 활용한 비협력적 대화 전략 유도

METRO: Towards Strategy Induction from Expert Dialogue Transcripts for Non-collaborative Dialogues

기존의 비협력적 대화형 에이전트 개발은 전문가 전략을 수동으로 코딩해야 하며, 이는 확장 가능성이 낮습니다. 본 논문에서는 대규모 언어 모델을 활용하여 원본 대화 기록으로부터 전략 행동 및 계획 로직을 자동으로 유도하는 방법인 METRO를 제안합니다. METRO는 전문가 지식을 전략 숲(Strategy Forest)이라는 계층적 구조로 형식화하며, 이 구조는 단기적인 응답(노드)과 장기적인 전략적 예측(가지)을 모두 포괄합니다. 두 가지 벤치마크에 대한 실험 결과, METRO는 기존 방법보다 평균 9~10% 더 우수한 성능을 보여주었습니다. 추가 분석을 통해 METRO의 성공 요인(다양한 전략적 행동 및 예측 능력)을 확인했으며, 또한 다양한 작업 간의 강력한 전이 가능성을 입증했습니다. 이는 비용 효율적이고 확장 가능한 방식으로 비협력적 에이전트를 구축하는 데 새로운 통찰력을 제공합니다. 저희의 코드는 https://github.com/Humphrey-0125/METRO 에서 확인할 수 있습니다.

Developing non-collaborative dialogue agents traditionally requires the manual, unscalable codification of expert strategies. We propose \ours, a method that leverages large language models to autonomously induce both strategy actions and planning logic directly from raw transcripts. METRO formalizes expert knowledge into a Strategy Forest, a hierarchical structure that captures both short-term responses (nodes) and long-term strategic foresight (branches). Experimental results across two benchmarks show that METRO demonstrates promising performance, outperforming existing methods by an average of 9%-10%. Our further analysis not only reveals the success behind METRO (strategic behavioral diversity and foresight), but also demonstrates its robust cross-task transferability. This offers new insights into building non-collaborative agents in a cost-effective and scalable way. Our code is available at https://github.com/Humphrey-0125/METRO.