SIGIRMay, 2021

合作伙伴很重要！检验通过融合人设来进行检索式聊天机器人个性化响应选择的实证研究

PDF
TL;DR本文提出了四种不同的合成策略，来探讨在基于检索的聊天机器人中，采用自我或合作者角色的角色来描述个性化对话者对响应选择的影响，并将这些策略实现到三个代表模型中，这些模型分别基于 HRE、IMN 和 BERT。实证研究表明，在 Persona-Chat 数据集上，忽略了以前在对话中的合作者角色，IMN 和 BERT 模型的响应选择准确性可能会有所提高。此外，我们基于 BERT 实现的模型在上下文响应感知个性化合成策略下，在原数据和经过修订的数据上的准确性分别比以前的方法提高 2.7% 和 4.6%，在 top-1 准确性（hits@1）方面实现了新的最先进性能。
personadialogue systemsresponse selectionchatbotsbert
发现论文，激发创造
  • 使用多编码器融合策略来改善个性化回复选择

    本文介绍一种基于 BERT 的个性化响应选择模型，融合对话者个性、情感和蕴含信息的交互关系，并在 Persona-Chat 数据集上进行表现测试，在 Top-1 准确率上跑出了 2.3% 以上的性能提升，取得了最新的最先进的性能。

    Aug, 2022

  • 面向基于检索的聊天机器人的个性化响应选择的双重交互匹配网络

    本文提出了一种具有双重交互匹配的匹配网络 (DIM)，用于在基于检索的聊天机器人中展示对话代理的个性。实验结果表明，DIM 模型以及其双交互匹配优于基线模型，即带有人物融合的 IMN，的精度提高 14.5％，并且在 top-1 的准确性 hits@1 方面优于当前最先进的模型。

    Aug, 2019

  • 面向基于个性化的共情式对话模型

    本文提出了一个新任务，即基于角色的移情对话，并首次对角色对移情反应的影响进行了实证研究。作者提供了一份新的大规模多领域数据集，使用高效的 CoBERT 模型进行回答选择，实验证明，当 CoBERT 模型基于移情对话训练时，角色更有助于提高移情反应，从而为人类对话中的角色和移情之间建立了经验证据。

    Apr, 2020

  • 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

  • 通过相互人设感知实现的对话生成

    本文提出了基于 P^2 框架的机器人 P^2 Bot，该框架旨在显式地建立对话者间的理解模型。实验结果表明该框架在大型公共数据集 Persona-Chat 上取得了显著效果提升。

    Apr, 2020

  • 智能友好的对话代理：基于知识和角色认知的应用

    本论文提出了一种有效的对话代理，同时考虑外部知识和个性，通过检索增强生成和知识个性增强查询来生成话语，实现了更少幻觉和更有吸引力的对话，在自动指标上的基于个性和知识的对话任务达到了最先进的性能，同时，通过人类评估和定性结果证明了模型对话的幻觉和吸引力，验证了检索的有效性。

    Jan, 2023

  • 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

  • Persona-Knowledge 对话多上下文检索和增强解码方法

    本文通过设计一种数据增强策略，运用神经问答检索模型，探讨了 Persona-Knowledge 的识别和响应生成任务，采用不同的解码技术进行对话生成，最终取得了 93.99% 的平均重合度和 23.62 分的 SacreBLEU 分数，成为当前 SOTA 的最佳实践。

    Jul, 2022

  • COSPLAY: 基于概念集的个性化对话生成，跨越参与人角色

    本研究提出了一种基于概念集的个性化对话生成方法，试图实现构建一个更符合人类行为的对话模型；该方法关注两个交谈方的对话，通过表达个人形象、保持对交谈对象的好奇心、引导交谈回到共同主题等方式来减少自我中心的表现，并结合概念集框架进行处理、训练，取得了在公共数据集 Persona-Chat 上优秀的成果。

    May, 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