SIGIRMay, 2022

COSPLAY: 基于概念集的个性化对话生成，跨越参与人角色

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

    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。

    May, 2021

  • 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

  • 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

  • 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

  • 基于人物角色增强的情感支持会话生成

    本文提出了一个基于个人化的情感支持框架，结合了情感对话模型和基于策略的可控生成方法，可根据寻求者的个人信息提供个性化的情感支持，该框架实验结果表明 PAL 模型胜过其他基准模型。

    Dec, 2022

  • 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

  • 呼唤个性化对话：个性化对话基于人设和知识的支撑

    通过使用用户角色和维基百科知识，针对庞大的谈话代理和数据集存在的不足，引入了一个 Call For Customized conversation (FoCus) 数据集，以在预训练的语言模型中评估信息和定制发言的生成能力，并通过自动分数进行评估，得出通过角色和知识反映模型的适当发言的结论。

    Dec, 2021

  • 大规模多参与者生成对话建模

    本文提出了一种新的对话代理模型 ——Generative Conversation Control，它能够控制对话代理的个性，并通过控制该模型上一次与目标演员的对话，实现对话代理个性的表达，该模型在 Reddit 评论数据上进行了验证和评估，其效果得到了显著提高。

    May, 2020