Jan, 2019

个性化对话生成与多元特征

PDF
TL;DR本研究旨在研究将个性特征应用于对话生成中以提供个性化对话的问题，并提出了一种基于关键 - 值对的嵌入式特征融合模块和两种新颖的特征感知机制，即基于对话者的关注机制和基于对话者的偏置机制，并构建了 PersonalDialog 数据集，该数据集包含来自海量讲话者的具有不同特征的大量多轮对话。实验结果表明，所提出的模型能够在不同情境下处理适当的特征。
dialogue systempersonality traitspersonalized dialoguesmulti-turn dialogue datasetpersona-aware dialogue generation
发现论文，激发创造
  • PersonalityChat: 基于事实和特征的个性化对话建模的会话提炼

    本文利用大型语言模型（LLM）通过个性化对话生成，基于个人特点和人格特质创建了一个合成对话数据集，从而证明了个性化对话模型和与 PersonaChat 相比的表现优势。

    Jan, 2024

  • 具有隐式用户人设检测的个性化对话生成器

    提出了一种基于用户人格检测的个性化对话生成器，该方法使用条件变分推理建立用户潜在人格模型并利用后验鉴别正则化提高训练效果，在实证研究中实现比现有技术更高的对用户人格关注和提升了对话品质的效果。

    Apr, 2022

  • 通过数据增强和异构对话图网络提升对话中的人格识别

    我们提出了一种使用人格特征插值来增强说话者数据增强和异构对话图网络来独立捕捉上下文影响和内在个性特征的方法，并在 RealPersonaChat 语料库上进行评估，对现有基线模型进行了显著改进。

    Jan, 2024

  • 基于预训练的个性化对话生成模型及面向稀疏信息处理

    本文提出了一种基于预训练的个性化对话模型，利用个人属性嵌入来丰富对话语境，结合注意力路由结构进行解码，从而生成更为连贯且人物一致的回答。

    Nov, 2019

  • 训练数百万个个性化对话代理

    本文介绍了一个包含 500 万个人物角色和 7 亿个依据人物角色的对话的新数据集，研究表明，使用此数据集训练对话系统，尤其是当基于文本人物角色时，可以提高其表现，并且在 Zhang 等人（2018）的数据上进行微调可以实现最新的成果。

    Sep, 2018

  • 个性化对话生成的最新趋势：数据集、方法和评估综述

    通过个性化，在对话代理中提高用户参与度已经变得很重要，尤其是随着大规模语言模型的出现，能够生成流畅的回应。本文系统地调查了个性化对话生成的最新研究现状，包括使用的数据集、开发的方法论和应用的评价指标。涵盖了 22 个数据集，我们重点介绍了基准数据集和富有附加特征的新数据集。我们进一步分析了 2021-2023 年间顶级会议的 17 项重要工作，并确定了五种不同类型的问题。我们还透露了大规模语言模型在个性化对话生成方面的最新进展。我们的评估部分提供了这些工作中使用的全面评估维度和指标的综合总结。最后，我们讨论了当前面临的挑战，并展望了个性化对话生成领域未来研究的发展方向。

    May, 2024

  • 对话系统中受人格影响的情感生成

    使用人格特征为对话系统生成情感，通过模拟情绪转变过程来改善情感生成性能。

    Apr, 2024

  • 协调混合对话：对话中基于个性的混合编码响应生成

    该研究探讨了多语言混合对话中的回应生成问题，并介绍了一种利用从对话中无监督获取的大五人格特质来提高回应生成性能的新方法。实验结果表明，将人格融入对话背景可以显著增强生成回应的上下文相关性，并提高模型的整体性能。

    Jan, 2024

  • 揭示对话系统中的个人偏见

    本文研究了对话系统的人格偏见，并分析了不同社会阶级、性取向、种族和性别的人物角色。研究者提出将对话系统的角色升级到拥有更多人文特征以更好的迎合用户的趋势可能会产生一些偏见。他们还介绍了一个开源框架 UnitPersonaBias，以探索和聚合对话系统中的人格偏见。此外，研究者还发现与不使用人格形象相比，采用人格形象可能会减少有害的回应。但是，人格选择会影响生成响应中危害程度，因此在实际应用前应该进行系统评估。

    Apr, 2021

  • 借助大语言模型生成忠实的以人为基础的对话数据集

    通过建立 Generator-Critic 架构，使用 LLM 生成会话，借助 Synthetic-Persona-Chat 评估了高质量对话数据集对 NLP 模型的影响。

    Dec, 2023