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

本文研究如何通过构建一种可扩展的实体矫正系统 PENTATRON，利用参数化的基于转换器的语言模型学习客户和设备之间的交互模式以及非参数化的个性化实体索引来计算正确的查询，从而帮助下游组件理解最佳响应，提高准确率。通过实验表明，该系统可以使关键指标（精确匹配）提高多达 500.97%。

Oct, 2022

本文介绍一种基于 BERT 的个性化响应选择模型，融合对话者个性、情感和蕴含信息的交互关系，并在 Persona-Chat 数据集上进行表现测试，在 Top-1 准确率上跑出了 2.3% 以上的性能提升，取得了最新的最先进的性能。

Aug, 2022

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

我们提出了一种多任务框架，作为会话中三个主要检索任务（个人选择、知识选择和回复选择）的通用检索器，通过设计一个双编码器体系结构来检索相关上下文，通过点积方法检索适合的候选项，并引入两个损失约束来捕捉对话上下文和不同候选项之间的微妙关系。实验证明我们的模型在训练领域内外都能取得最先进的检索质量，揭示了其成为同时用于不同候选项选择任务的通用检索器的潜在潜力和泛化能力。

Feb, 2024

本研究提出一个评估聊天机器人响应的系统，利用明确的反馈机制改进神经响应图生成模型，从而获得更具连续性和参与度的响应。

Apr, 2019

本研究提出了基于 Transformer 的多轮对话响应生成模型，采用新颖的检索机制，结合 k 最近邻搜索，基于 Google 发布的 Taskmaster-1 数据集和真实的客户服务呼叫中心数据集进行评估，结果优于强基线模型。

May, 2021

本文提出了一种基于概率模型的搜索建议方法，使用新颖的分层递归编解码器架构，能够考虑任意长度的查询序列，实现上下文感知，解决数据稀疏问题，在下一个查询预测任务中优于现有上下文感知方法，并且可以用于许多其他应用。

Jul, 2015

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

利用 Reddit 数据集，我们在多方参与、自由结构的多轮对话中研究了不同结构元素对话建模的影响，并训练了深度神经网络来预测对话的下一句。我们发现，对话的上下文和参与者的历史信息都对预测准确性有所提高。

Jun, 2016