Оптимизация многоэтапных переговоров с помощью больших языковых моделей. Кластеризация сценарных паттернов

1. Оптимизация многоэтапных переговоров с помощью больших языковых моделей. Кластеризация сценарных паттернов и построение

МИРЭА – Российский технологический университет
Оптимизация многоэтапных
переговоров с помощью больших языковых
моделей. Кластеризация сценарных паттернов
и построение ориентированных графов.
Студент: Зайченко Даниил Дмитриевич
Группа: КМБО-01-21
Научный руководитель: Бескин А.Л.
Москва 2025 г.

2.

АКТУАЛЬНОСТЬ ЗАДАЧИ
Ниша:
Conversational Analytics (диалоговая аналитика) для B2B-продаж
растёт (+18 % CAGR).
Боль бизнеса: нет простого способа заранее понять, к какому
исходу ведёт диалог.
Идея: моделировать диалог как граф сообщений, находить
«выигрышные» подграфы.
2

3.

ЦЕЛЬ РАБОТЫ
Целью работы является выявление и анализ
паттернов в диалогах на основе графового подхода
с использованием методов кластеризации
сообщений по интентам.
3

4.

ЦЕЛЬ РАБОТЫ
Задачи работы:
-
-
Провести анализ и обзор существующих подходов к
кластеризации сообщений.
Сравнить методы кластеризации на основе LLM и
классической кластеризации.
Реализовать систему анализа диалоговых паттернов.
Провести эксперименты и оценить эффективность
выявленных паттернов.
3

5.

Кластеризация сообщений
Сообщения кластеризуются по интентам двумя
способами:
- С помощью больших языковых моделей (LLM).
- С помощью классических методов кластеризации
(k-means) на основе эмбеддингов сообщений.
4

6.

Кластеризация сообщений
Математическое описание k-means: