本研究提出了一个用于长期对话中内存管理的任务和相应的数据集，在此，机器人可通过多个会话引用并跟踪用户的最新信息，并通过将内存表示为关键信息的非结构化文本描述，并提出了一种新的内存管理机制，选择性地消除失效或冗余信息。实验结果表明，与基准相比，我们的方法在增强性和人性方面表现出更好的性能差距，尤其是在后面的会话中。

Oct, 2022

为了构建人类化的聊天机器人，构建一个长期记忆是至关重要的。本文提出了一个新颖的记忆方案 CREEM，通过混合过去的记忆并引入精炼过程来改善聊天机器人回应的整体效果和一致性，确保一个更加明智和动态发展的长期记忆。

Mar, 2024

提出了 MemoryBank，这是一种采用 Ebbinghaus 遗忘曲线中的记忆更新机制的新型记忆机制，旨在解决长期交互中 LLM 的记忆缺陷问题，并通过与心理对话调整提高其同理心。通过实验研究，证明了 MemoryBank 能够成功提高聊天机器人在长期 AI Companion 中的表现能力。

May, 2023

本研究旨在探究基于语言模型训练的社交聊天机器人中隐藏状态的隐私泄露问题，并提出了有效的防御目标以保护用户隐私。通过大量实验验证，我们的防御目标可以将攻击准确率从 37.6% 降低到 0.5%。

Apr, 2022

聊天机器人记忆和引用先前对话，但这是否增强用户参与度还是侵犯隐私？为了探索这个权衡，我们调查了聊天机器人引用先前对话与用户的交互格式以及对用户感知和隐私关注的影响。通过一项为期三周的纵向研究，我们发现参与者认为逐字引用和释义引用的聊天机器人更智能且更具吸引力，然而逐字引用的聊天机器人也引起了参与者的隐私担忧。通过对 15 位参与者进行半结构化访谈，我们得到了人们偏好特定条件或对隐私关注的见解。从我们的研究结果中得出的启示可以帮助设计师选择适当的引用先前用户对话的格式，并在纵向对话脚本设计中提供指导。

Aug, 2023

通过分析 1252 个通话记录和对九名用户进行访谈，我们研究了具有长期记忆功能的大型语言模型驱动的语音聊天机器人 CareCall。我们发现长期记忆提高了健康信息披露并通过提供熟悉感改善了用户对聊天机器人的看法。然而，我们也观察到长期记忆对于促进自我披露存在挑战，特别是在涉及慢性疾病和隐私问题时。针对公共卫生监测，我们讨论了在大型语言模型驱动的聊天机器人中整合长期记忆的注意事项，包括在公共卫生目标下谨慎决定需要记住的主题。

Feb, 2024

该研究提出了一种简单的方法，通过将记忆管理能力集成到 BlenderBot3 中，并使用自动数据集创建方法来改进 open-domain conversation systems。实验结果表明，多任务培训的 BlenderBot3-M^3 相对于 BlenderBot3 在 F1 得分方面提高了 4%。

May, 2023

本文提出了一种从用户对话历史中自动学习隐式用户配置文件以构建个性化聊天机器人的方法，采用 Transformer 进行语言理解训练，并通过建立历史帖子 - 响应对的键值存储网络来建立动态的贴子感知用户配置文件。同时，采用个性化解码器融合两种解码策略，包括生成通用词汇表中的单词和从用户个性化词汇表中复制一个单词。实验结果表明，该模型较现有方法具有显著的改进。

Aug, 2021

本文提出了一种面向聊天机器人的通用知识学习引擎 LiLi，旨在使他们在对话过程中不断交互学习新知识和进行推理，将聊天机器人的应用范围进一步扩展。经过实验证明，本文所提出的 LiLi 技术是相当可行的。

Feb, 2018

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