通过个性化，在对话代理中提高用户参与度已经变得很重要，尤其是随着大规模语言模型的出现，能够生成流畅的回应。本文系统地调查了个性化对话生成的最新研究现状，包括使用的数据集、开发的方法论和应用的评价指标。涵盖了 22 个数据集，我们重点介绍了基准数据集和富有附加特征的新数据集。我们进一步分析了 2021-2023 年间顶级会议的 17 项重要工作，并确定了五种不同类型的问题。我们还透露了大规模语言模型在个性化对话生成方面的最新进展。我们的评估部分提供了这些工作中使用的全面评估维度和指标的综合总结。最后，我们讨论了当前面临的挑战，并展望了个性化对话生成领域未来研究的发展方向。

May, 2024

本研究探讨了如何利用预训练语言模型生成会话摘要，并通过将生成的会话与真实数据集相结合来提高自动生成的会话总结的准确性。

Jun, 2021

通过调查可用于数据驱动型对话系统学习的公开数据集，讨论了这些数据集的重要特征，如何使用它们学习不同的对话策略以及它们的其他潜在用途。同时还研究了数据集之间的迁移学习方法和外部知识的应用，并讨论了适当的评估指标选择。

Dec, 2015

Alexa Conversations 是一种新的目标导向对话系统构建方法，它使用基于对 API 和实体的规格的对话模拟器来生成对话，提供了对自然对话现象的支持，并通过减轻开发人员的负担来降低了对话系统的创建成本。

Apr, 2021

使用专家编写的少量对话作为上下文示例，通过提示生成社交对话数据集，可在多方交流任务中创建更多的合成数据。与人类收集的对话相比，合成的多方交流在所有度量维度上都获得了更多的好评。

Feb, 2023

本研究发表了名为 PEx Conversations Dataset 的第一个菲律宾会话数据集，并介绍了使用 Tagalog RoBERTa 模型增加现有 corpora 大小的数据增强方法，最后发布了能够生成相关前三个回复的第一个菲律宾会话响应生成器，并成功地将合成数据与人类数据结合使响应生成器的性能提高了 12.2％。

Apr, 2022

对话系统中的数据扩充方法提供了关键的方法来解决数据稀缺问题，并探讨了对话系统中的生成、评估等任务中的挑战与未来方向。

Sep, 2023

本文探讨了任务导向对话系统的最新研究进展和挑战，特别在三个关键领域进行了深入讨论：提高数据效率、模拟多回合动态以优化任务完成性能，以及将领域本体知识与对话模型集成。此外，还评估了最近的对话进展和一些常用的语料库。我们相信，这虽然不是一个完整的调查，但它仍然可以为未来任务导向对话系统的研究提供启示。

Mar, 2020

通过生成式对话网络自动生成对话数据训练社交对话代理，通过自动生成会话，可以在可用的语言和知识数据的广度中受益；对于不带知识的对话，GCN 可以从种子数据泛化，产生新颖但不太相关但更吸引人的对话，对于知识基础的对话，则可以产生更注重知识、流畅和引人入胜的对话。

Jul, 2022

这篇文章总结了基于深度学习的对话系统的最新进展和研究方向，讨论了如何通过深度学习在任务导向和非任务导向模型中学习有意义的特征表示和响应生成策略。

Nov, 2017