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
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
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
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
我们介绍了一种自然语言推理方法，用于事后将训练好的角色提取模型适应于新的场景，与现有的角色提取模型相比，我们的方法可以提供更高质量的角色提取结果，并需要较少的人工标注。
Jan, 2024
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
本文提出了一个新任务，即基于角色的移情对话，并首次对角色对移情反应的影响进行了实证研究。作者提供了一份新的大规模多领域数据集，使用高效的 CoBERT 模型进行回答选择，实验证明，当 CoBERT 模型基于移情对话训练时，角色更有助于提高移情反应，从而为人类对话中的角色和移情之间建立了经验证据。
Apr, 2020
本文通过设计一种数据增强策略，运用神经问答检索模型，探讨了 Persona-Knowledge 的识别和响应生成任务，采用不同的解码技术进行对话生成，最终取得了 93.99% 的平均重合度和 23.62 分的 SacreBLEU 分数，成为当前 SOTA 的最佳实践。
Jul, 2022
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
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。