该研究探讨了如何使用人类反馈来有效地开发高度吸引力的社交聊天机器人，通过伪标签和奖励模型提高了聊天机器人的用户积极性和留存率，从而达到使用者参与度优先的目的。研究结果表明，这种方法可以将聊天长度增加高达 70％，使 GPT-J 6B 模型的用户留存率增加超过 30％。未来的工作将使用奖励模型实现数据飞轮，以轮换地微调语言模型和奖励模型。

Mar, 2023

通过分析 ChatGPT 在不同设定下的交互行为，我们深入研究了该模型在自然对话和角色扮演对话环境中的行为。我们引入了一个新的人工智能和人类对话的数据集，注释了用户动机和模型自然度，从而探究了人类如何与对话型人工智能模型进行交互以及人工智能模型的自然度。我们的研究突出了用户与 ChatGPT 进行交互时的动机多样性和人工智能模型的自然度差异，不仅展示了人与人工智能之间自然对话的微妙动态，也为提高人工智能与人类沟通的效果提供了新的途径。

Mar, 2024

本研究通过创新的开放式面试式方法，对 ChatHaruhi 库创建的 32 个角色扮演聊天机器人进行全面的人格评估，评估结果表明基于 LLMs 的现代角色扮演聊天机器人可以有效地描绘对应角色的人格特征，与人类感知的人格匹配率为 82.8％，同时提出了塑造聊天机器人个性的潜在策略。该研究是计算语言学和心理学交叉领域中角色扮演聊天机器人的基础性研究。

Oct, 2023

本文探讨了将人类特质投射于对话代理的问题，并详细介绍了将角色扮演的概念应用于自然语言处理中的方法，从而更好地描述对话代理的行为，以期实现更加真实自然的对话交互。

May, 2023

研究通过改变发言长度对对话模型生成回复质量的影响，发现在某些类型的对话中，可以将发言长度减少高达 72%，而不会对生成的回复质量产生明显影响。

Jan, 2024

介绍了 RoleInteract，这是第一个旨在系统评估角色扮演对话代理在个体和社交互动组别两个级别上社交性的基准。从各种来源中构建了这个基准，共涵盖了 500 个角色和超过 6,000 个问题提示以及 30,800 个多轮角色扮演话语。通过在主流开源和闭源 LLMs 上进行全面评估，发现在个体水平上表现出色的代理并不意味着其在群体水平上的熟练程度，并且个体的行为可能会受到群体内其他代理的影响而发生漂移。RoleInteract 上的实验结果证实了它作为评估角色扮演对话代理社交互动的测试平台的重要性。该基准在此 https URL 上可公开访问。

Mar, 2024

本文介绍了一个包含 500 万个人物角色和 7 亿个依据人物角色的对话的新数据集，研究表明，使用此数据集训练对话系统，尤其是当基于文本人物角色时，可以提高其表现，并且在 Zhang 等人（2018）的数据上进行微调可以实现最新的成果。

Sep, 2018

研究发现，多模态交互在聊天机器人对话中显著提升了用户参与度，尤其是通过三个模态的结合，可以进一步增强用户参与度和信息理解，这为聊天机器人设计提供了有价值的洞见，并向广大人工智能社区阐述了多模态交互在提升用户参与度方面的益处。

Jun, 2024

我们通过应用特征性数据提升小型角色扮演语言模型，实验证明使用我们的数据集训练的模型在一般和与个性相关的评估中展现了高级角色扮演能力。

Jun, 2024

通过使用 PLS-SEM 方法，本研究提出了一个基于自然语言生成的对话系统的聊天体验预测模型，该模型研究了包括生成的提示，对话中的连贯性、情感和相似性以及用户感知的对话代理的友好度在内的各种因素，研究的结果表明，用户友好度和对话的连贯性、情感和相似性是用户聊天体验的积极预测因素，同时，研究发现用户可能更喜欢具有外向、开放性、责任心、宜人性和非神经质特征的对话代理。

Apr, 2023