- ACLESCoT: 朝着可解释的情感支持对话系统
提出一种名为 ESCoT 的情感支持响应生成方案，该方案通过模拟 “识别”、“理解” 和 “调节” 情绪的过程来赋予系统更好的可解释性，并通过构建新数据集和开展实验证实了 ESCoT 的有效性和生成的对话响应。
- ACL开放领域对话生成的动态随机解码策略
作为一个开放领域聊天系统，动态解码策略 (DDS) 可以根据不同上下文来调整解码空间以实现序列水平和令牌水平的自适应搜索，旨在提高预训练对话模型的性能。
- IJCAI长期对话中的因果知觉位置去偏微调
我们提出了一种名为 CPD 的新方法，它利用基于干扰的因果变量发现方法从对话历史中提取因果相关的话语，并在微调过程中增强模型的因果感知能力，以解决大型语言模型在长期对话中生成无关紧要和通用回应的固有位置偏倚问题。在两个数据集上的实验结果证明 - COLING个性化对话生成的最新趋势：数据集、方法和评估综述
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 - 将隐式多模态知识融入到零资源对话生成中的 L-LMs
通过利用隐式多模态知识，将视觉隐式知识融入基于语言模型的对话生成系统，能够在零资源情境下实现更丰富的对话生成，我们提出了一种名为 VIKDF 的框架，通过两个主要阶段（知识蒸馏和知识整合）实现，能够有效解决零资源情境中多样、高质量对话数据集 - CoVoMix: 推进零样本语音生成以实现人类般的多方对话
零样本文本朗读 (TTS) 建模的最新进展在生成高保真和多样化的语音方面取得了重大进展。然而，在实现人类自然性的语音中实现对话生成仍然是该领域的一个挑战。在这篇论文中，我们介绍了一种名为 CoVoMix 的新型模型，用于零样本、人类化、多发 - COLINGDiffusionDialog：擴散模型用於具有潛在空間的多樣對話生成
DiffusionDialog 是一种新的方法，通过引入扩散模型来增强对话生成的多样性。在该方法中，我们将连续潜变量引入扩散模型，通过与编码器结合，将响应的潜在表示编码为连续空间的先验，并通过扩散模型逐步去噪来推断潜变量。实验结果表明，我们 - COLING基于个性化的大型语言模型的人工对话生成
我们提供了一种新颖的端到端的基于个性的合成对话数据生成流程，专门设计用于通过提示语从大型语言模型中引出回应。我们设计了提示语以在用户与聊天机器人互动时考虑真实场景，生成更像人类的对话。我们介绍了 PSYDIAL，第一个专注于个性化对话的韩语 - 低资源开放领域对话生成的可控且多样化的数据增强
利用大规模语言模型 (LLM) 进行以摘要为基础的对话增强 (SDA) 以提高语义多样性和控制能力，通过生成高质量和多样化的对话数据来增强开放领域对话模型的性能。
- 面向目标的主动对话生成的目标受限双向规划
以决策理论为灵感，提出了一种新颖的目标约束双向规划方法 (TRIP)，通过生成任务规划一个适当的对话路径，然后采用该路径指导对话生成的过程，实验证明该方法显著优于各种基线模型。
- 对话中我们学习：通过对话学习实现无预定义个人化对话
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。 - 多轮对话的高效调整框架：一次指导，持续沟通
本文中，我们强调对话的互动性和沟通性质，认为分开建模代理和用户的讲话者角色更加可行，并提出了一种高效的多轮互动对话调节框架 (Midi-Tuning)，通过基于大型语言模型的两个适配器分别对代理和用户进行建模，它们按照交替顺序逐轮利用话语， - EMNLPMIRACLE：基于潜空间多个个人属性控制的个性化对话生成
个性化对话系统通过多个个人属性的控制在潜在空间的能量模型中提出了新的个性化对话生成方法，实验证明该方法在个性可控性和响应生成质量方面优于其他基线模型。
- 我们就是我们反复做的事情：在基于人物的回答中引导和应用习惯性模式
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。
- ACL通过退化模型学习多样化神经文本生成技术
通过训练两个模型来防止神经语言模型生成单一和重复的文本，从而增强多样性和信息量，实验证明这种方法的有效性。
- 释放知识密集对话生成中的证据潜力
整合外部知识进入对话生成中的关键性为提高回应的正确性，在这里，证据片段作为有根据的支持性知识碎片。本文提出一种有效地整合证据到知识密集型对话生成中的框架，通过引入自动证据生成框架和证据聚焦的注意机制，扩大了证据的潜力。实验结果表明，提出的方 - ACL属性控制的对话提示
该论文介绍了一种新颖的基于实例控制代码的提示调整算法来探索其对于对话生成的影响，该算法不同于传统的离散提示和连续提示，可以适应输入变化较大的任务，如开放领域对话生成，并在经典数据集上实验证明其比提示基线更好，而参数却只需用到总计量的 5-6 - ACL通过动态图知识聚合增强对话生成
本研究提出了一种基于知识图增强的对话生成框架，使用层级图注意力来聚合伪节点上的图特征，并填补文本和图知识之间的语义差距，并促使语言模型更好地选择知识三元组以获得更丰富的响应。
- ACL对话生成的上下文知识学习
本文提出了一种基于上下文和知识加权的对话生成模型训练方法，通过 Contextual Knowledge Learning (CKL) 过程，使用上下文和知识的潜在向量进行弱监督，从而实现对加权模型的训练，实验表明 CKL 方法可以有效提高 - RefGPT: GPT 参考真实和定制对话生成
本研究提出了一种名为 RefGPT 的方法，通过与给定参考文本比较而非基于模型知识生成对话，从而解决了现有对话生成模型会产生虚假对话的问题。同时，本文还通过该方法生成了两个高品质对话数据集，分别基于事实知识和编码场景。