ACLApr, 2022

精益求精：学习精化对话历史以进行个性化对话生成

PDF
TL;DR本文提出基于大规模数据精化用户对话历史记录的 Persona 信息，设计一个 MSP 模型，利用多层信息精化从用户对话历史记录中稀疏提取最有价值的信息，结合其他相似用户数据提高个性化，实验结果表明我们的模型在生成更多信息和个性化响应方面的优越性。
personalized dialogue systemsuser profile extractionpersona information refinementresponse generationmulti-level refiners
发现论文，激发创造
  • 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

  • 个性化端到端目标导向对话学习

    本文提出一种个性化的端到端模型，以应用个性化技术来解决对话系统中的一些悬而未决的问题。该模型结合了 “个人资料模型” 和 “偏好模型” 两个子模型，并实践证明其在对话系统任务完成率和用户满意度等方面取得了良好表现。

    Nov, 2018

  • 对话中我们学习：通过对话学习实现无预定义个人化对话

    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

  • 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

  • Persona-DB: 高效的大型语言模型个性化应答预测与协同数据精炼

    通过引入 Persona-DB 框架，本文从一个新的角度考虑数据如何更好地表示，以实现对大型语言模型 (LLMs) 定制过程中更高效的检索，同时在多个实验中展示了 Persona-DB 在任务上下文中的泛化能力和在冷启动情况下的显著改进。

    Feb, 2024

  • 基于预训练的个性化对话生成模型及面向稀疏信息处理

    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

  • 个性化对话生成与多元特征

    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

  • 使用 Prompt-Tuning 构建个性化对话系统

    本研究通过使用 persona 来建立具有一致性反应的对话系统，提出了一种基于预训练的大型语言模型的 prompt 调节方法，在英语和日语方面的自动和手动评估结果表明，这种方法可以建立具有更自然和个性化反应的对话系统，而且计算资源较少。

    Jun, 2022

  • 使用对比潜在变量增强个性化对话生成：结合稀疏和稠密人物角色

    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

  • 会话上下文线索：以个性化和历史为例的反应排序

    利用 Reddit 数据集，我们在多方参与、自由结构的多轮对话中研究了不同结构元素对话建模的影响，并训练了深度神经网络来预测对话的下一句。我们发现，对话的上下文和参与者的历史信息都对预测准确性有所提高。

    Jun, 2016