本论文提出了一种有效的对话代理，同时考虑外部知识和个性，通过检索增强生成和知识个性增强查询来生成话语，实现了更少幻觉和更有吸引力的对话，在自动指标上的基于个性和知识的对话任务达到了最先进的性能，同时，通过人类评估和定性结果证明了模型对话的幻觉和吸引力，验证了检索的有效性。

Jan, 2023

通过使用用户角色和维基百科知识，针对庞大的谈话代理和数据集存在的不足，引入了一个 Call For Customized conversation (FoCus) 数据集，以在预训练的语言模型中评估信息和定制发言的生成能力，并通过自动分数进行评估，得出通过角色和知识反映模型的适当发言的结论。

Dec, 2021

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

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

本文提出使用 neural Q＆A 模型结合全文对话上下文一起识别人设和知识的任务来识别相关 Persona 或 Knowledge，以应对多重上下文的对话系统，通过建立新的 grounding retrieval 方法来实现。

Feb, 2023

本文提出使用常识知识库和释义资源扩展现有的角色描述，以便为对话模型提供大量且更丰富的角色描述，同时引入细粒度角色描述，通过在综合对话响应时鼓励模型在角色描述中做出离散选择。 通过使用离散潜在随机变量对离散选择建模，并使用变分学习从数百个角色扩展中进行采样的方式，我们的模型在对话质量和多样性方面优于竞争基准线，同时实现了角色一致性和可控制的对话生成。

Oct, 2020

使用明确的模式表示，检索相关模式以生成基于人物形象的回复的大型语言模型的对话生成方法。同时，通过从简单事实集合生成通用段落，然后从生成的段落归纳模式的方法来引导这些模式的创建。

Oct, 2023

在今天的世界中，通过对话系统提供情感支持变得越来越重要，因为它可以在许多对话场景中支持心理健康和社交互动。以往的研究表明，使用角色扮演对生成共情和支持性回应是有效的。然而，大多数都依赖于事先提供的角色扮演，而不是在对话过程中推断出来。为了应对这一挑战，我们提出了一种新颖的框架 PESS（通过语义相似性进行人物角色提取）能够从对话中自动推断出丰富且一致的人物角色。我们设计了基于语义相似度得分的完整性损失和一致性损失。完整性损失鼓励模型生成缺失的人物角色信息，一致性损失指导模型区分一致和不一致的人物角色。我们的实验结果证明，PESS 推断出的高质量人物角色信息能够有效地生成情感支持性的回应。

Mar, 2024

我们探讨了如何通过 Rational Speech Acts 框架的方法，为已有的对话代理赋予公共自我意识的能力，以强化其一致性并减少矛盾，同时探索了如何在对话中提高背景一致性。

Apr, 2020

建立个性化和拟人化的代理在社交网络模拟中具有重要意义，但现有研究中仍存在两个关键问题：代理具有不属于其角色的世界知识，并且无法消除多样化角色信息对当前行动的干扰，从而降低了代理的个性化和拟人化。为了解决上述问题，我们基于个性化知识和动态角色信息构建社交媒体代理，并设计了与社交媒体适配的五个基本模块，通过社交媒体模拟沙盒提供交互和验证环境。实验验证以及自动和人工评估结果证明了我们构建的代理的有效性。

Mar, 2024