Nov, 2019

指导变分响应生成器利用人物特点

PDF
TL;DR本文提出采用条件变异自编码器设计的深度学习模型，引入人格特征以及两个新的正则化项，以生成既考虑话语的人格又相关的回答，进而改善了基于用户画像的回答生成表现，并提出了三个用户画像定向指标，验证了该方法的有效性。
neural response generatorspersonalized conversationspersona informationvariational response generatorspersona modeling
发现论文，激发创造
  • 利用角色信息进行对话响应的多样化生成

    本文提出了一种利用人格信息的记忆增强体系结构，将条件变分自动编码器模型与之结合，以生成多样化和可持续的聊天对话，并在基准 persona-chat 数据集上评估，结果表明，该模型可以提供比基线方法更多样化和更吸引人的基于人格的响应。

    May, 2019

  • 基于人物意识的提示生成

    通过历史数据中的 `persona' 信息，提出了一个基于对抗自编码器的框架，用于将信息可视化为潜在变量，并开发了一个新的记忆储存方案，用于存储用户和项目的相关信息，然后使用递归神经网络生成出反映个性化评价的广告语。

    Mar, 2019

  • 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

  • 基于角色的神经对话模型

    本文介绍了基于人物角色的模型来处理神经响应生成中的发言人的一致性问题。这些模型在分布式嵌入中编码人物角色，以捕捉个体特征，如背景信息和口语风格。在两个交流者之间捕捉交互属性的暂态发言人 - 被称呼者模型。我们的模型提高了感性和 BLEU 得分，在发言人的一致性上也有类似的提高。

    Mar, 2016

  • 面向人物的非结构化对话生成的神经主题扩展框架

    本文提出了一种神经主题扩展框架：Persona Exploration and Exploitation（PEE），通过利用主题模型，将预定义用户角色与现有的对话语料关联起来，以生成更具一致性的角色响应，使用 P-Match Loss 来提高编码器和解码器中的角色选择。实验结果表明，相比于现有的方法，该方法在自动和人工评估方面表现更好。

    Feb, 2020

  • 神经个性化响应生成作为域适应

    本文提出了一种基于序列到序列学习的个性化响应生成方法，使用初始化和适应两个阶段，模拟人的响应风格并生成个性化的响应，使用人工评估的方法进行模型评估。结果表明该方法可以很好地模拟人类的响应风格并生成个性化响应。

    Jan, 2017

  • 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

  • 基于转移学习和 Adapter 的无监督神经风格文本生成

    本文提出一种迁移学习框架，通过更新模型参数的 0.3％来学习响应生成的特定风格属性，解决了在话务系统中保持一致的人物形象和风格的问题。研究表明，个性是改善会话系统参与度和用户体验的关键驱动因素。同时，本研究通过在 ROC 故事语料库中研究风格故事结尾生成问题，从 PERSONALITY-CAPTIONS 数据集中学习风格特定属性，并通过大量实验和评估表明，该新颖的训练方法可以提高风格生成的效果。

    Oct, 2022

  • 通过角色扩展来提高对话中的人格一致性

    该论文提出了一种新的检索到预测范例来解决个性化聊天机器人中 OOP 问题，并通过采用实际人物进行后验转换来进一步缓解训练和推理之间的差距。并通过 IT-ConvAI2 和 ConvAI2 的广泛实验表明，我们提出的模型在自动指标和人类评估方面都取得了可观的改进。

    Aug, 2022

  • 基于人设的对话型人工智能：现状与挑战

    研究旨在探索如何在会话系统中加入角色信息以提高响应生成的质量，并发现当前存在不足和挑战和未来的研究方向。

    Dec, 2022