读取言外之意：从对话中学习个人特质
本文提出了一种利用对话系统中的强提示信息自动提取用户属性的方法，通过远程监督训练两阶段属性提取器，实现了多种基线模型无法超越的效果，并探讨了已提取用户属性的个性化推荐和对话系统应用以及潜在局限性。
Aug, 2019
本研究报道了一种基于神经网络模型的人设推理方法，通过对 IMDB 电影台词的编码和特征表示学习，模型能够有效地根据角色类型实现人设嵌入，并应用于电影角色相似性度量和电影聚类。
Oct, 2018
本论文提出了一种基于预训练语言模型的模型，通过对话系统中用户发出的不带标签的语句进行无监督学习，从而实现预测用户个人属性值的目的，从而丰富 PKB，并通过挖掘未标注语句中嵌入的个人属性知识来实现两类监督。实验结果表明，该框架在预测个人属性方面表现最佳。
Aug, 2022
我们研究了一个大型对话语料库，通过单个个体与 104 个对话伙伴的对话历史记录获得。除了探讨消息文本外，我们还研究了对话方面的各种特征，如发送消息的时间、消息频率、心理语言学词类、语言镜像以及反映语料库中人们如何提及对方的基于图形的特征，并使用两组实验来预测每个属性，得出使用全部特征相对于仅使用消息文本可提高 9-14％的结论。
Apr, 2019
该论文提出了一种名为 PEARL 的框架，该框架通过在低资源情况下利用发言中大量的个人属性知识来预测个人属性，该框架结合了 biterm 语义信息和单词共现信息，通过在迭代过程中采用更新后的先前属性知识来优化 biterm 话题模型的 Gibbs 采样过程，多样化的实验结果表明，PEARL 在从对话中预测个人属性的任务上优于所有基线方法，并在一个数据集上的更普遍的弱监督文本分类任务中表现也很好。
Nov, 2022
我们介绍了一种自然语言推理方法，用于事后将训练好的角色提取模型适应于新的场景，与现有的角色提取模型相比，我们的方法可以提供更高质量的角色提取结果，并需要较少的人工标注。
Jan, 2024
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
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
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。
Jan, 2019
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