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

本文探讨以人物为驱动的故事延续，引入角色之间的第一人称和第二人称叙述以及对话，需要模型选择与角色个性和关系一致并推动故事发展的语言。我们假设在训练人物对话和关系信息的多任务模型的基础上，改进了基于 Transformer 的故事延续。为此，我们拓展了 Critical Role Dungeons and Dragons 数据集，并通过自动提取每对交互角色之间的关系和他们的个性。一系列实验为我们的假设提供了证据，表明我们使用人物关系的多任务模型相对于强基线能够提高故事延续的准确性。

May, 2021

本研究采用语言建模方法，在 Minecraft 数据集的协作建筑任务中进行多模态任务理解和任务导向对话理解任务，以提高 AI 系统的语感，实现更好的人机互动。实验结果表明，我们的方法具有更大的优势和应用潜力。

Jun, 2023

通过该研究，提出了一种基于电视剧脚本的 TVShowGuess 任务来评估机器对叙事故事中虚构人物理解能力的新方法，并且证明了这种任务覆盖了多种类型的人物特质和能力，进一步提出了支持长场景文本的上下文编码的新模型结构。实验表明，新模型的性能明显优于基线，但仍大大落后于人类表现。 该研究初步探索了叙事性角色理解的目标。

Apr, 2022

本文介绍了一种将 Scheherazade 故事意图图转换成人物 NLG 引擎所需输入的自动方法，使用 36 个 Aesop 寓言进行测试，结果表明我们可以生成正确内容，平均与 Scheherazade 实现器的输出接近。

Aug, 2017

使用拥有不同人格特征的 agents, 并采用模拟戏剧网络的方法生成剧本，在多项标准上经过自动和人类评估，显示该方法优于基于 vanilla-GPT2 的基线，并引入新的度量标准来评估对话的一致性，并展示其有效性。

Jun, 2022

本文介绍了一种使用虚构人物作为人工语言生成模型的实现方向，提出了一种名为 “Pseudo Dialog Prompting” 的新方法，通过大型语言模型结合虚构人物的话语，生成模仿虚构人物风格的回应。研究表明，该方法能够更好地提取虚构人物的风格特点。

Apr, 2022

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

本文介绍了我们在 DSTC-10 上构建对话模型的方法。为缩小口头和书面数据之间的差距，我们采用了大量数据扩增策略，包括人工误差注入和文本转语音转换。我们改良了预训练语言模型，并对每个子任务应用了集成算法，以训练稳健的口头对话模型。我们的方法在官方评估中排名第三，在最终的正式人类评估中排名第二。

Mar, 2022

此研究提出并介绍了拥有角色描述的文学作品摘要数据集 LiSCU，探索了文学角色理解中的新领域，并通过使用预训练语言模型进行的实验，表明需要更好的叙事理解模型。

Sep, 2021