AAAINov, 2022

对话中个人属性的低资源预测

PDF
TL;DR该论文提出了一种名为 PEARL 的框架，该框架通过在低资源情况下利用发言中大量的个人属性知识来预测个人属性，该框架结合了 biterm 语义信息和单词共现信息，通过在迭代过程中采用更新后的先前属性知识来优化 biterm 话题模型的 Gibbs 采样过程，多样化的实验结果表明，PEARL 在从对话中预测个人属性的任务上优于所有基线方法，并在一个数据集上的更普遍的弱监督文本分类任务中表现也很好。
发现论文，激发创造
  • 对话中的个人属性预测

    本论文提出了一种基于预训练语言模型的模型，通过对话系统中用户发出的不带标签的语句进行无监督学习，从而实现预测用户个人属性值的目的，从而丰富 PKB，并通过挖掘未标注语句中嵌入的个人属性知识来实现两类监督。实验结果表明，该框架在预测个人属性方面表现最佳。

    Aug, 2022

  • Pearl: 一个基于评论的个性化知识驱动对话推荐数据集

    我们提供了一个新颖的对话推荐数据集 PEARL，通过增加个性化和知识增强的 LLM 模拟器，从真实世界的评论中获得详细的人物角色和知识，构建了一个包含超过 57k 个对话的大规模数据集。我们的实验结果表明，PEARL 中的话语包括更具体的用户偏好，展示了目标领域的专业知识，并提供比之前的数据集更相关于对话上下文的推荐。

    Mar, 2024

  • 读取言外之意：从对话中学习个人特质

    本研究使用深度学习方法从对话文本中提取个人属性，并在 Reddit 讨论、电影剧本、个人对话等多个语料库上比较实验，最终证明了本方法的有效性和超越了先前的状态法基线。

    Apr, 2019

  • 与你相识：对话中用户属性提取

    本文提出了一种利用对话系统中的强提示信息自动提取用户属性的方法，通过远程监督训练两阶段属性提取器，实现了多种基线模型无法超越的效果，并探讨了已提取用户属性的个性化推荐和对话系统应用以及潜在局限性。

    Aug, 2019

  • 用生成校准的召回器个性化大型语言模型写作助手

    PEARL is a retrieval-augmented LLM writing assistant that addresses the lack of personalization in LLM outputs, using a generation-calibrated retriever to select user-authored documents for prompt augmentation, resulting in improved generation quality and performance prediction.

    Nov, 2023

  • 使用主观和事实属性构建高精度知识库

    本文提出了一种用于构建具有可调精度的知识库的方法，该方法通过概率建模用户对每个实体 - 属性对的共识，来控制知识库的精度，并介绍了三种神经网络用于拟合共识模型，并在 Google Maps 数据上进行了评估。研究表明所提出的学习模型很好地校准，并且能够成功地用于控制知识库的精度。

    May, 2019

  • PersonaPKT：基于参数高效知识迁移的个性化对话代理构建

    PersonaPKT 通过轻量化的迁移学习方法，将每个角色表示为连续向量，从而在不依赖于显式角色描述的情况下构建具有一致性角色的对话模型，从而提高了隐私保护和存储效率。

    Jun, 2023

  • 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

  • 基于知识图谱的文本自动人格预测

    本文通过基于知识图谱、深度学习模型和情感词典的方法，提高了基于文本的自动人格预测的准确性

    Mar, 2022

  • 会话式搜索中的偏见：个性化知识图谱的双刃剑

    研究探讨了对话式搜索系统中的偏倚，重点讨论了与个性化知识图谱相关的偏差，提出了处理这些偏差的策略，并讨论了测量偏差和评估用户满意度的方法。

    Oct, 2020