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

本研究提出了一种算法，通过few-shot方式在每个任务中定制唯一的对话模型，其中每个对话模型包括共享模块、门控模块和专用模块，实验证明这种方法在任务一致性、响应质量和多样性方面优于所有基线。

Oct, 2019

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

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

为了构建智能对话代理，针对当前有限的基于人物特征的对话数据不足以很好地训练对话生成模型的问题，提出了一种数据处理方法，该方法适用于任何基于人物特征的对话生成模型以提高其性能，并通过实验表明了其优越性。

Apr, 2022

本研究通过使用对比潜变量模型来将浓缩的用户描述信息聚类到稀疏的分类中，并与对话历史查询相结合，以生成更具个性化的响应。实验结果表明，该模型在个性化方面的优势在中英文数据集上都得到了证实。

May, 2023

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

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

个人化对话系统一直受到广泛关注，因其能够根据不同人物角色生成响应。本文提出了In-Dialogue Learning (IDL)框架，通过细调预训练的大型语言模型，利用对话历史来描述角色，从而完成个性化对话生成任务，而无需预先定义角色。我们在三个数据集上的实验证明，IDL显著提升了模型性能，BLEU和ROUGE分数分别增加了200%和247%。此外，人工评估的结果进一步验证了我们提出方法的有效性。

Mar, 2024

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