本研究旨在探索神经生成法如何同时实现语义准确度和文体控制，在两个文体基准任务中，通过在译码器中进行文体调节，消除先前模型中使用的语义再排序器，从而实现了语义误差降至接近零，并在 Personality 中实现了超过 15 个 BLEU 分数的巨大性能提升。在控制对比中还实现了从 0.75 到 0.81 的提升以及语义误差从 16% 降至 2%。

Jul, 2019

本文探讨了自然语言生成在任务导向对话中的应用，提出了三种序列到序列模型，并考虑如何实现内容和风格的分离，通过控制 36 个风格参数，实现对语义和风格的高度还原。

May, 2018

大型语言模型 (Large language models, LLMs) 的个性控制是一个关键研究领域，本研究通过综合调查发现，使用 PISF 策略对 LLMs 进行个性控制是最有效和最稳健的方法，具有高效性、高成功率和高鲁棒性。即使在相反个性提示下，由 PISF 控制的 LLMs 仍然表现出稳定且可靠的个性。

Jun, 2024

本文提出一种迁移学习框架，通过更新模型参数的 0.3％来学习响应生成的特定风格属性，解决了在话务系统中保持一致的人物形象和风格的问题。研究表明，个性是改善会话系统参与度和用户体验的关键驱动因素。同时，本研究通过在 ROC 故事语料库中研究风格故事结尾生成问题，从 PERSONALITY-CAPTIONS 数据集中学习风格特定属性，并通过大量实验和评估表明，该新颖的训练方法可以提高风格生成的效果。

Oct, 2022

该研究旨在在零 - shot 设置中找到高质量的 prompt。我们的自动化方法使用位置、推理和释义技术生成多个与基本 prompt 类似的 prompt，然后使用新的度量标准对这些 prompt 进行排名。我们实验证明，排名靠前的 prompt 是高质量的，显著优于基本 prompt 和使用 few-shot learning 生成的 prompt，适用于句子级情感分类任务。

May, 2023

对话系统需要产生高语义可信度的能实现多种类型对话行为的回应。本文提出了一种新颖的少样本过度生成与排序方法来实现对话行为的可控生成，并将其与八种少样本提示方式进行了比较，其中包括使用文本风格转移方法从文本伪参考中生成。在生成过程中，我们开发了六个自动排序函数，可以识别具有正确对话行为和高语义准确性的输出。我们在三个领域和四个预训练语言模型上进行了测试，结果显示，几种提示设置实现了完美的对话行为准确性，并且语义准确率接近完美（99.81%），表现优于少样本微调模型。

Jul, 2023

利用个人化引导的基于检索的聊天机器人在个性化对话中至关重要，但存在几个需要解决的挑战。为了解决这些挑战，我们提出了一种即插即用的个人化提示方法，该系统可以作为标准开放域聊天机器人使用，同时降低对个人化训练数据的依赖，提供更好的性能。这是首次使用提示序列解决个性化响应选择问题。

Oct, 2023

本研究着重于架构引导的自然语言生成中的风格控制和评估，旨在同时实现语义和风格控制，通过条件训练、引导微调和引导解码等各种控制生成方法的实验来评估其优缺点，并用广泛的自动和人工评估指标来评估，结果表明，使用判别器引导解码更适合处理风格较为语义复杂的任务，同时这种方法也更加可扩展，效果更好。

Sep, 2021

该论文提出了一种基于提示的文本风格转换编辑方法，其中使用预训练语言模型进行风格分类，使用分类概率计算风格得分，然后通过词级别的编辑，以最大化全面的评分函数来实现风格转换任务，实验表明其性能远高于具有 20 倍参数的现有技术。

Jan, 2023

使用 GPT-3 生成 25000 段带有大五人格特征标签的对话，训练分类模型并使用 2500 条真实标注数据进行评估。结果显示，使用 Adapter-Transformers 和预训练的 RoBERTa 情感分析模型的迁移学习在生成数据上的表现最佳，最好的模型在生成数据和真实数据上的准确率分别为 0.71 和 0.65，并讨论了该方法的潜在局限性和置信度指标。

Mar, 2023