SIGIRSep, 2020

Pchatbot: 用于个性化聊天机器人的大规模数据集

PDF
TL;DR介绍了 Pchatbot 数据集，该数据集是从微博和司法论坛等地收集的大规模对话数据集，通过去重、标准化、过滤等过程来适应对话系统，提供匿名用户 ID 和时间戳等隐私保护技术，为未来的个性化对话模型提供基础，公开在 Github 上。
natural language dialogue systemspchatbot datasetanonymizationpersonalized dialogue modelsimplicit user personality
发现论文，激发创造
  • LiveChat: 从直播流自动构建的大规模个性化对话数据集

    通过引入 1.33 亿真实的中文对话数据集 LiveChat，并提出基于先进技术的检索式基线方法，本研究在多方对话范围内针对回应建模和宾语识别等两个关键任务进行研究，并验证了利用人物特征和更大的平均会话数对任务的积极影响，同时还提出了当前挑战的未来方向。

    Jun, 2023

  • 一个大规模的中文短文本对话数据集

    本文介绍了一个大型的、经过清洗的中文对话数据集 LCCC，包含基础版和大型版两种版本，共计 680 万和 1200 万对话。数据集的质量通过一套规则和分类器确保。此外，本文还释放了 LCCC-base 和 LCCC-large 的预训练对话模型，这些数据集和模型将有助于研究短文本对话建模。

    Aug, 2020

  • 销售机器人 2.0：一个人类化意图导向的闲聊数据集

    本文介绍了 SalesBot 2.0，通过使用大型语言模型的常识知识逐渐缩小闲聊和面向任务的对话之间的差距，构建了一个新的大规模数据集，提供了更加平滑的话题转换和更加接近人类自然性和一致性的对话，对学术研究和商业应用都具有重要价值，并提出了一种框架可以用于生成具有各种目标意图的对话。

    Aug, 2023

  • 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

  • 通过会话机器人访问异构文档

    本文介绍了 Doc2Bot，这是一种新型数据集，可用于构建通过会话帮助用户寻找信息的机器。我们提出了三个任务，包括对话状态跟踪，对话策略学习和响应生成，这些任务是具有挑战性且值得进一步研究的。

    Oct, 2022

  • CPED：用于对话 AI 的大规模个性化和情感中文对话数据集

    研究表明，说话者的个性和情感对对话有重要影响，因此考虑个性和情感的影响对于对话生成非常重要。为了解决这个问题，我们提出了 CPED: 一个大型、个性化和情感化的对话数据集，包含了与移情和个性特征相关的多源知识，涵盖性别、大五人格特质、13 种情感、19 种对话行为和 10 个场景。该数据集包含了来自 40 个电视节目的 392 个说话者的 12,000 多个对话，是新一代对话人工智能研究的新开放基准。

    May, 2022

  • BotsTalk: 自动化筛选大规模多技能对话数据集的机器源框架

    提出了一种名为 BotsTalk 的新框架，其中多个代理参加交谈以自动注释多技能对话，并展示了一个名为 BSBT 的大规模多技能对话数据集，通过广泛的实验表明，我们的数据集对于需要理解技能融合和技能基础的多技能对话系统非常有效。

    Oct, 2022

  • 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

  • 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

  • LMSYS-Chat-1M：一种大规模真实 LLM 对话数据集

    研究了人们在现实世界中如何与大型语言模型进行互动的重要性，介绍了包含 25 个尖端的大规模语料库，共有 100 万条来自 210K 个独立 IP 地址的真实对话的 LMSYS-Chat-1M 数据集的内容、统计数据和主题分布，通过四个应用案例展示了其多功能性，并认为该数据集将成为理解和推进大型语言模型能力的有价值资源。

    Sep, 2023