本篇论文提出基于模型无关元学习的个性化对话学习方法，不需要使用人称描述符。该模型通过仅利用从同一用户收集的几个对话样本来快速适应新的人称，与基于人称描述符的回复不同。实验结果表明，相对于非元学习基准，该解决方案在自动评估指标和人工评估的流畅性和一致性方面表现更好。

May, 2019

本研究提出了一个名为XPersona的个性化对话数据集，并通过多语言训练的基线模型和跨语言训练的基线模型进行了实验证明。结果表明，多语言训练的模型优于翻译管道模型，并且其性能与单语言训练的模型相当，而跨语言训练的模型则表现出劣于其他模型的性能。该数据集和基线模型有望加速多语言对话系统的研究。

Mar, 2020

本文提出了一种新的对话代理模型——Generative Conversation Control，它能够控制对话代理的个性，并通过控制该模型上一次与目标演员的对话，实现对话代理个性的表达，该模型在 Reddit 评论数据上进行了验证和评估，其效果得到了显著提高。

May, 2020

提出一种新的联邦自然语言生成（FedNLG）框架，该框架从分布式设备上学习个性化表示，并以高效和安全的方式实现个性化对话系统，该模型首先在大型对话语料库上预训练标准神经会话模型的参数，然后以联邦方式在特定数据集上微调模型参数和人物嵌入，从而同时在本地客户端上学习人格嵌入并通过联邦聚合学习共享模型参数，实现准确性和隐私权的平衡。

Oct, 2021

提出了一种基于用户人格检测的个性化对话生成器，该方法使用条件变分推理建立用户潜在人格模型并利用后验鉴别正则化提高训练效果，在实证研究中实现比现有技术更高的对用户人格关注和提升了对话品质的效果。

Apr, 2022

本文提出基于大规模数据精化用户对话历史记录的 Persona 信息，设计一个 MSP 模型，利用多层信息精化从用户对话历史记录中稀疏提取最有价值的信息，结合其他相似用户数据提高个性化，实验结果表明我们的模型在生成更多信息和个性化响应方面的优越性。

Apr, 2022

本研究通过使用对比潜变量模型来将浓缩的用户描述信息聚类到稀疏的分类中，并与对话历史查询相结合，以生成更具个性化的响应。实验结果表明，该模型在个性化方面的优势在中英文数据集上都得到了证实。

May, 2023

本文提出了一种为解决商业场景下个性化对话系统中问答匹配(What,When,How)问题的方法，该方法涉及加权数据集合并、负面个人信息增强方法、个性化对话数据集的设计来平衡对话流畅和关联性，同时引入反馈响应类型标签来提高可控性和可解释性。这些方法的结合导致更流畅的对话，这在客观和主观的评估中都得到了证实。

Jun, 2023

个人化对话系统一直受到广泛关注，因其能够根据不同人物角色生成响应。本文提出了In-Dialogue Learning (IDL)框架，通过细调预训练的大型语言模型，利用对话历史来描述角色，从而完成个性化对话生成任务，而无需预先定义角色。我们在三个数据集上的实验证明，IDL显著提升了模型性能，BLEU和ROUGE分数分别增加了200%和247%。此外，人工评估的结果进一步验证了我们提出方法的有效性。

Mar, 2024

对多轮对话数据生成进行了系统综述，包括开放领域对话系统、任务导向对话系统和信息搜索对话系统，提出了一个概括对话数据生成系统主要原则的通用框架，并探讨了合成对话数据的评估指标和方法、当前领域的挑战以及未来研究的潜在方向。

May, 2024