本文提出使用 neural Q＆A 模型结合全文对话上下文一起识别人设和知识的任务来识别相关 Persona 或 Knowledge，以应对多重上下文的对话系统，通过建立新的 grounding retrieval 方法来实现。

Feb, 2023

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

本文介绍了一种简单而有效的数据中心方法，用于改善个性化对话代理。通过利用针对两个任务的原始 - 对偶结构（预测对话响应和个人资料之间的联系），我们增强了相关人物角色，以改进对话数据集 / 代理，并修复了基准数据集的注释问题，其巨大地增加了模型的精度，体现在 Persona-Chat 上的实验中，我们的方法在准确性上比预训练 LM 高出 11.7 个百分点。

Feb, 2022

最近机器学习和深度学习的进展已经导致在许多实际应用中广泛使用对话式人工智能。然而，利用能够提供对话背景或个性化调整的辅助信息以改善对话质量仍然非常具有挑战性。本文提出了一种新颖的 Persona-Coded Poly-Encoder 方法，它利用多流编码方案中的个人信息来改善对话回复生成的质量。通过在两个不同的基于个人的对话数据集上评估，并与两种最先进的方法进行对比，我们验证了所提出方法的有效性。我们的实验结果和分析表明，我们的方法在 BLEU 得分和 HR@1 方面相对于基准方法 Poly-Encoder 分别提高了 3.32％和 2.94％。更重要的是，我们的方法为对话任务中多模态数据的更好利用提供了一条途径。最后，我们的研究概述了推进个性化对话式人工智能技术的几个挑战和未来研究方向。

Sep, 2023

本研究通过学习 MMD 数据集并实现基于知识库的多模态对话模型解决了多模态基于搜索的对话系统中的新挑战，该模型将编码的知识库表示附加到解码器输入中，从而在文本相似性测量方面获得了高于强基线的表现，其中三个 BLEU 点仅由于使用了来自知识库的附加信息。

Oct, 2018

本文提出了一种利用人格信息的记忆增强体系结构，将条件变分自动编码器模型与之结合，以生成多样化和可持续的聊天对话，并在基准 persona-chat 数据集上评估，结果表明，该模型可以提供比基线方法更多样化和更吸引人的基于人格的响应。

May, 2019

本文研究了基于神经检索的循环架构在知识驱动的对话中的应用，将多个组件（检索器、排名器和编码器 - 解码器）结合在一起以最大化可知性并保留对话能力，在两个知识驱动的对话任务中实现了最先进的性能，并经过人工评估证实，大大减少了在最先进的聊天机器人中存在的知识幻觉问题。

Apr, 2021

通过经过设计的策略，本文提出了一种新的框架，利用常识为多轮对话中的回复生成提供更丰富的人物信息，从而改善回应质量。

Jan, 2024

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

提出了基于文档结构的知识识别模型，以提供对话语境下的段落编码，更好地定位与对话相关的知识。辅助损失捕捉了对话 - 文档连接的历史。在两个文档为基础的对话数据集上展示了模型的有效性，并提供了分析结果，表明其可以泛化到未见过的文档和长对话上下文。

Sep, 2021