PEC-Home: Interpretation of Progressively Elliptical Commands in Smart Homes
作者: Yingyu Shan, Zeming Liu, Silin Li, Boao Qian, Jiashu Yao, Yuhang Guo, Haifeng Wang
分类: cs.CL, cs.AI
发布日期: 2026-06-17
备注: Accepted by ACL 2026 Findings
💡 一句话要点
提出PEC-Home以解决智能家居中的逐步省略命令理解问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 智能家居 自然语言处理 对话系统 数据集构建 用户意图理解
📋 核心要点
- 现有智能助手在理解逐步省略的命令时面临指代模糊和意图模糊等挑战，影响其在实际应用中的效果。
- 本文提出PEC-Home数据集，专门用于模拟和理解智能家居中的逐步省略命令，旨在提高助手的理解能力。
- 实验结果显示，现有助手在处理省略命令时的执行准确率低于完整命令，表明该研究的必要性和重要性。
📝 摘要（中文）
近年来，大型语言模型（LLMs）的进步使得家庭助手具备了自然语言交互能力。然而，现有助手忽视了人类对话中随着共享上下文积累而发生的逐步省略，导致对省略表达的理解不准确，从而限制了其在实际应用中的有效性。为了解决这一问题，本文提出了PEC-Home，这是第一个专门设计用于理解智能家居中逐步省略命令的模拟家庭数据集。大量实验表明，现有家庭助手在仅基于省略命令执行用户意图操作时表现不佳，即使具备存储和检索用户对话历史的工具，执行准确率仍低于完整命令的情况。
🔬 方法详解
问题定义：本文旨在解决智能家居中助手对逐步省略命令的理解问题。现有方法在处理用户对话时，无法有效应对指代模糊和意图模糊的情况，导致执行准确率低下。
核心思路：PEC-Home数据集的设计核心在于模拟真实家庭环境中的对话场景，通过逐步省略的命令来训练助手，使其能够更好地理解用户的意图和上下文。
技术框架：整体架构包括数据集构建、模型训练和评估三个主要阶段。数据集通过模拟家庭场景生成逐步省略的命令，模型则基于这些数据进行训练，最后通过多种LLM进行评估。
关键创新：PEC-Home是首个针对逐步省略命令的智能家居数据集，填补了现有研究的空白，提供了一个新的研究方向。与传统方法相比，PEC-Home更关注上下文的动态变化和用户意图的演变。
关键设计：在数据集构建中，采用了多样化的家庭场景和用户行为模式，确保数据的丰富性和代表性。同时，模型训练中使用了针对省略命令的特定损失函数，以提高对省略表达的理解能力。
🖼️ 关键图片
📊 实验亮点
实验结果表明，现有家庭助手在处理省略命令时的执行准确率低于完整命令，具体表现为准确率不足50%。即使在使用对话历史存储工具的情况下，执行准确率仍未显著提升，显示出PEC-Home数据集的重要性和实用性。
🎯 应用场景
该研究的潜在应用领域包括智能家居助手、家庭自动化系统和人机交互界面等。通过提高助手对省略命令的理解能力，可以显著提升用户体验和操作效率，推动智能家居技术的普及和发展。未来，该研究成果有望为其他领域的自然语言处理提供借鉴。
📄 摘要（原文）
Recent advancements in Large Language Models (LLMs) have empowered home assistants with natural language interaction capabilities. However, current assistants overlook the progressive omission that occurs in human dialogue as shared context accumulates, leading to more elliptical expressions for efficient communication. Thus, current assistants still struggle to interpret such elliptical expressions accurately, which limits their effectiveness in real-world applications. In practical smart home scenarios, assistants face two major challenges caused by elliptical commands: (1) referential ambiguity caused by different environmental expectations among multiple users; and (2) intention ambiguity resulting from user preferences that evolve over time or change with the environment. To address these challenges, we introduce PEC-Home, the first simulated home dataset specifically designed for interpreting progressively elliptical commands in smart homes. Extensive experiments on various LLMs, including GPT-4o, show that existing home assistants struggle to execute user-intended operations based solely on elliptical commands. Even when equipped with tools for storing and retrieving user dialogue history, execution accuracy remains below that achieved with complete commands.}.