CharacterChat: Learning towards Conversational AI with Personalized Social Support
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机技术研究所）；University of Electronic Science and Technology of China（电子科技大学）
针对传统情感支持对话难以适配多样化个体性格的问题，研究提出S2Conv框架，构建MBTI-1024虚拟角色库与MBTI-S2Conv数据集，开发出含性格记忆驱动对话模型和人际匹配插件的CharacterChat系统，可提供个性化社会支持且效果显著。
2023-08-20 cs.CL
Long Time No See! Open-Domain Conversation with Long-Term Persona Memory
Baidu Inc.（百度公司）；Beijing University of Posts and Telecommunications（北京邮电大学）；Columbia University（哥伦比亚大学）
大多数开放域对话模型在长期的人机对话中表现不佳。可能的原因是他们缺乏理解和记忆长期对话历史信息的能力。为了解决这个问题，我们提出了一个新的长期记忆会话（LeMon）任务，并建立了一个新的会话数据集DuLeMon和一个基于长期记忆（LTM）机制的会话生成框架（PLATO-LTM）。这种LTM机制使我们的系统能够准确地提取和不断更新长期的人物记忆，而不需要多会话对话数据集进行模型训练。据我们所知，这是首次尝试对包括用户和机器人在内的双方的角色信息进行实时动态管理。DuLeMon上的结果表明，PLATO-LTM在长期对话一致性方面可以显著优于基线，从而获得更好的对话一致性。
2022-03-14 cs.CL
Neural Personalized Response Generation as Domain Adaptation
Harbin Institute of Technology（哈尔滨工业大学）
在本文中，我们专注于会话系统的个性化响应生成。基于序列到序列学习，特别是编码器-解码器框架，我们提出了一种两阶段的方法，即初始化和适应，来模拟人类的响应风格，然后生成个性化的响应。对于评估，我们提出了一种新的人工辅助方法来评估在线实时会话和离线人类判断的个性化响应生成模型的性能。此外，由5个个性化模型生成的响应的词汇分歧表明，所提出的两阶段方法在建模人类的响应风格和生成个性化的会话系统的响应取得了良好的效果。
2019-12-02 cs.CL
Exploiting Persona Information for Diverse Generation of Conversational Responses
Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）；iFLYTEK Research（科大讯飞研究院）
在人类对话中，由于他们的个性，人们可以很容易地进行和保持对话。将具有人物角色信息的会话上下文赋予聊天机器人，如何利用这些信息来生成多样化和可持续的会话仍然是一项重要的任务。以前的工作基于人物的会话模型成功地利用预定义的人物信息，并在提供更现实的反应表现出很大的希望。它们都是在这样的假设下学习的，即给定一个源输入，只有一个目标响应。然而，在人类对话中，对于给定的输入信息有大量适当的反应。在本文中，我们提出了一个内存增强的架构，利用上下文的人物信息，并将条件变分自编码器模型一起产生多样化和可持续的对话。我们在基准人物聊天数据集上评估了所提出的模型。自动和人工评估都表明，与基线方法相比，我们的模型可以提供更多样化、更吸引人的基于人物角色的响应。
2019-05-29 cs.AI cs.CL
Improving Personality Consistency in Conversation by Persona Extending
Huazhong University of Science and Technology（华中科技大学）；Alibaba Group（阿里巴巴集团）；Beijing Institute of Technology（北京理工大学）；Ping An Property & Casualty Insurance company of China, Ltd（中国平安财产保险股份有限公司）
赋予聊天机器人一致的个性对于代理提供类似人类的交互起着至关重要的作用。然而，现有的个性化方法通常根据静态的预定义人物角色来生成响应，这可能会严重限制人类和聊天机器人的交互性，特别是当代理需要回答预定义人物角色中排除的查询时，这就是所谓的预定义人物角色外问题（简称为OOP）。为了解决这一问题，本文提出了一种新的从检索到预测的范式，它由两个子组件组成：（1）人物角色检索模型（PRM），它基于自然语言推理模型（NLI）从全局集合中检索人物角色，推理出的人物角色与预定义的人物角色一致;以及（2）后验评分的Transformer（PS-Transformer），它采用了角色后验分布，进一步考虑了在地面响应中使用的实际角色，最大限度地减轻了训练和推断之间的差距。此外，我们提出了一个名为IT-ConvAI 2的数据集，它首先突出了个性化对话中的OOP问题。在IT-ConvAI 2和ConvAI 2上进行的大量实验表明，我们提出的模型在自动度量和人工评估方面都有相当大的改进。
2022-08-23 cs.CL
Personalized Clinical Note Generation from Doctor-Patient Conversations
Solventum Health Information Systems（Solventum健康信息系统公司）
本文提出一种个性化临床记录生成技术，通过建模医生对话风格与记录偏好，并在少量配对数据下实现新医生注册而无需重训模型，显著提升各记录部分的 ROUGE-2 分数。
2024-08-07 cs.CL
Emotional Conversation Generation with Heterogeneous Graph Neural Network
Beijing Jiaotong University（北京交通大学）；Tencent Inc（腾讯公司）
成功的情感会话系统依赖于对情感的充分感知和恰当表达。在现实生活中的对话中，人类首先会本能地从多源信息中感知情感，包括隐藏在对话历史、面部表情、音频和说话者个性中的情感流。然后，他们根据自己的个性传达合适的情感，但这些多种类型的信息在情感对话领域没有得到充分利用。为了解决这个问题，在本文中，我们提出了一个异构的基于图的情感会话生成模型。首先，我们设计了一个异构的基于图的编码器来表示会话内容（即，对话历史、它的情感流、面部表情、音频和说话者的个性）与异构图神经网络，然后预测合适的情感用于反馈。其次，我们采用了一个谨慎的个性感知解码器，以生成一个响应相关的会话上下文以及适当的情绪，通过编码的图形表示，预测的情绪由编码器和当前说话人的个性作为输入。自动和人工评估的实验表明，我们的方法可以有效地感知情感从多源知识，并产生一个令人满意的响应。此外，基于最新的文本生成器BART，我们的模型仍然可以实现一致的改进，这显着优于一些现有的最先进的模型。
2022-03-30 cs.CL
Know Deeper: Knowledge-Conversation Cyclic Utilization Mechanism for Open-domain Dialogue Generation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）
端到端智能神经对话系统存在产生不一致和重复响应的问题。现有的对话模型只注重在对话中单方面加入个人知识，而忽略了将与个人相关的对话信息作为双边信息流加入到个人知识中对后续对话质量的提升作用。此外，在会话层面上控制个人知识的使用也是必不可少的。在本文中，我们提出了一个会话自适应的多视角的人物感知响应生成模型，旨在提高会话的一致性和减少重复从两个折叠。首先，我们从多个角度考虑会话一致性。从人物模型的角度出发，设计了一种新颖的交互模块，不仅可以迭代地将个性化知识融入到每一轮会话中，还可以从会话中捕获与人物相关的信息，以增强个性化知识的语义表示。从说话风格的角度出发，引入说话风格向量，并将其输入到解码器中，以保持说话风格的一致性。为了避免会话重复，我们设计了一个覆盖机制来跟踪个人知识利用的激活。自动和人工评价的实验验证了我们的模型优于以前的模型。
2021-07-16 cs.AI cs.CL
Eval4Sim: An Evaluation Framework for Persona Simulation
University of Sheffield（谢菲尔德大学）
Eval4Sim提出了一种评估框架，用于衡量模拟对话与人类对话模式的契合度，通过三个互补维度评估人设的忠实性、一致性和自然性。
2026-08-19 cs.CL
Call for Customized Conversation: Customized Conversation Grounding Persona and Knowledge
Korea University（高丽大学）；NCSOFT
人类通常通过利用关于主题的先验知识和他们正在交谈的人的背景信息来进行对话。然而，现有的会话代理和数据集不考虑这样的综合信息，因此它们在生成知识和人物角色适当融合的话语方面具有局限性。为了解决这个问题，我们引入了一个调用自定义对话（FoCus）数据集，其中自定义答案是用用户的角色和维基百科知识构建的。为了评估预训练语言模型的信息和定制话语的能力，我们利用BART和GPT-2以及基于transformer的模型。我们用自动评分评估它们的生成能力，并对定性结果进行人工评估。我们检查模型是否反映了足够的人物角色和知识与我们提出的两个子任务，人物角色接地（PG）和知识接地（KG）。此外，我们表明，我们的数据的话语是通过接地质量评估与适当的知识和人物。
2022-05-16 cs.AI cs.CL
Large Scale Multi-Actor Generative Dialog Modeling
University of California, Irvine（加州大学欧文分校）；NVIDIA（英伟达）
非目标导向的对话代理（即聊天机器人）旨在与用户进行不同的和有吸引力的对话;然而，它们通常在对话中表现出不一致的个性或所有用户的平均个性。本文解决了这些问题，通过控制代理人的角色生成后，通过调节先前的对话的目标演员。通过这样做，我们能够在一个人的讲话中利用更抽象的模式，并在生成的响应中更好地模仿它们。这项工作介绍了生成会话控制模型，一个增强和微调的GPT-2语言模型的条件下，过去的参考对话概率模型多轮对话中的演员的角色。我们引入了一个附带的数据汇集过程，从6个月的Reddit评论中获得1030万次对话。我们证明，将模型大小从117 M扩展到8.3B参数，在1.7M的Reddit对话中，困惑度从23.14提高到13.14。增加模型规模在人类评估中也取得了类似的改善，这些评估衡量了模型样本对现实主义（31%增加到37%），风格匹配（37%到42%），语法和内容质量（29%到42%）以及会话一致性（32%到40%）的偏好。我们发现，有条件地建模过去的对话提高了0.47的自动评估的困惑。通过人体试验，我们确定了条件建模和风格匹配之间的积极趋势，并概述了进一步改善人物角色控制的步骤。
2020-05-13 cs.CL
PRCCF: A Persona-guided Retrieval and Causal-aware Cognitive Filtering Framework for Emotional Support Conversation
School of Computer Science and Engineering, Northeastern University, Shenyang, Liaoning, China（东北大学计算机科学与工程学院，沈阳，辽宁，中国）；Oracle Cloud Infrastructure, Oracle, Santa Clara, CA, United States（甲骨文云基础设施，甲骨文公司，圣克拉拉，加利福尼亚州，美国）
PRCCF通过结合语义兼容性和人格对齐的检索机制，以及因果感知的认知过滤模块，提升情感支持对话中上下文认知理解能力，在ESConv数据集上优于现有方法。
2026-04-02 cs.CL
Faithful Persona-based Conversational Dataset Generation with Large Language Models
University of Southern California（南加州大学）；Google（谷歌）；Information Sciences Institute（信息科学研究所）；Google Research（谷歌研究院）
本研究提出基于生成器-评判器架构的大语言模型框架，以Persona-Chat为种子生成含2万条对话的Synthetic-Persona-Chat人格型数据集，经三轮迭代后图灵测试落败率从17.2%降至8.8%。
2023-12-15 cs.CL cs.LG
Commonsense-augmented Memory Construction and Management in Long-term Conversations via Context-aware Persona Refinement
Yonsei University（延世大学）
本文提出一种利用基于常识的画像扩展框架，通过设计的策略结合上下文背景将矛盾画像转化为包含丰富信息的句子，从而提升长期对话中的响应生成质量。
2024-02-12 cs.AI cs.CL
Towards Persona-Based Empathetic Conversational Models
Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-南洋理工大学新加坡联合研究院）；Alibaba Group（阿里巴巴集团）
移情会话模型已被证明可以在许多领域提高用户满意度和任务结果。在心理学中，人物角色被证明与人格高度相关，而人格又反过来影响同理心。此外，我们的实证分析还表明，人物角色在移情会话中起着重要的作用。为此，我们提出了一个新的任务，对基于人物角色的移情会话，并提出了第一个实证研究的影响人物角色的移情反应。具体来说，我们首先提出了一个新的大规模多域数据集的基于人物角色的移情对话。然后，我们提出了CoBERT，一个有效的基于BERT的响应选择模型，它在我们的数据集上获得了最先进的性能。最后，我们进行了广泛的实验，以探讨影响的人物角色的移情反应。值得注意的是，我们的研究结果表明，当CoBERT接受移情对话训练时，人物角色比非移情对话更能提高移情反应，从而在人类对话中建立了人物角色与移情之间的经验联系。
2020-11-19 cs.AI cs.CL cs.HC
Beyond Discrete Personas: Personality Modeling Through Journal Intensive Conversations
State University of New York at Buffalo（纽约州立大学布法罗分校）；Department of Computer Science and Engineering（计算机科学与工程学院）
针对静态人格数据集的局限，提出基于Reddit日记聚类与过滤的约40万对话数据集，利用Llama 3 70B生成人格丰富对话，微调后人格捕捉平均提升11%。
2024-12-15 cs.AI cs.CL
Persona-Coded Poly-Encoder: Persona-Guided Multi-Stream Conversational Sentence Scoring
Lirio AI Research（Lirio人工智能研究院）；Lirio LLC（Lirio有限责任公司）；North Carolina State University（北卡罗来纳州立大学）
针对对话式AI难以有效利用人格等异构辅助信息提升对话质量的问题，提出Persona-Coded Poly-Encoder多流编码方法，在两个人格对话数据集上BLEU、HR@1较基线分别提升3.32%、2.94%，为多模态数据在对话任务中的应用提供路径。
2023-12-01 cs.AI cs.CL cs.LG
Affective-NLI: Towards Accurate and Interpretable Personality Recognition in Conversation
The Hong Kong Polytechnic University（香港理工大学）
针对对话人格识别忽视情绪与人格语义的问题，提出Affective-NLI，结合对话情绪识别微调与NLI蕴含框架，提升准确性和可解释性，并显著优于现有方法。
2024-04-03 cs.AI cs.CL
Guiding Variational Response Generator to Exploit Persona
Tencent（腾讯）；Peking University（北京大学）；University of Macau（澳门大学）；University of Chinese Academy of Sciences（中国科学院大学）
在过去的几年里，利用神经响应生成器（NRG）中的用户的角色信息来执行个性化会话一直被认为是会话代理研究中一个有吸引力的重要课题。尽管最近的研究在这一领域取得了可喜的进展，人物角色的信息往往被纳入神经网络的形式，用户嵌入，与期望的人物角色可以参与通过端到端的学习。本文提出将人类对话的个性相关特征引入变分响应生成器中，通过设计一个特定的基于条件变分自编码器的深度模型，并在损失函数中引入两个新的正则化项，从而引导优化朝着生成个性感知和相关响应的方向发展。此外，为了合理地评价各种人物角色建模方法的性能，本文还从不同的角度提出了三个直接面向人物角色的度量标准。实验结果表明，我们提出的方法可以显着提高性能的人物感知响应生成，和指标是合理的评估结果。
2020-05-13 cs.CL
Persona-Grounded Safety Evaluation of AI Companions in Multi-Turn Conversations
Seattle University（西雅图大学）
本文提出首个端到端可扩展框架，用于可控模拟和评估AI陪伴应用的多轮交互安全性，通过构建角色、生成场景、模拟对话及评估危害，分析Replika对高风险用户群体的响应。
2026-04-30 cs.CL
WHAT, WHEN, and HOW to Ground: Designing User Persona-Aware Conversational Agents for Engaging Dialogue
SK Telecom（SK电讯）；University of Southern California（南加州大学）
本文针对个性化开放域对话中的 WWH 问题，提出加权数据集混合、负向画像信息增强和响应类型标签等方法，在保持对话流畅性的同时提升 grounded 响应的可控性与可解释性。
2023-07-03 cs.AI cs.CL
CPED: A Large-Scale Chinese Personalized and Emotional Dialogue Dataset for Conversational AI
South China University of Technology（华南理工大学）；UBTECH Robotics Corp（优必选科技股份有限公司）；Tsinghua University（清华大学）
人类的语言表达是基于情景的主观联想而不是客观真实条件，这意味着说话人的个性和情感经过认知加工后对会话有着重要的影响。然而，大多数现有的会话人工智能数据集忽略了人类的个性和情感，或者只考虑其中的一部分。虽然大规模的预训练语言模型已经得到广泛的应用，但是对话系统很难理解说话人的个性和情感。为了在会话生成过程中同时考虑个性和情感因素，本文提出了一个大规模的中文个性化情感会话数据集--CPED，该数据集包含了与移情和个人特征相关的多源知识。这些知识包括性别，大五人格特质，13种情感，19种对话行为和10种场景。CPED包含来自40个电视节目的392个扬声器的超过12 K对话。我们根据视频平台的版权声明、隐私问题、服务条款发布包含音频特征和视频特征的文本数据集。我们提供了CPED构建过程的详细描述，并介绍了会话AI的三个任务，包括个性识别，会话中的情感识别以及个性化和情感会话生成。最后，我们为这些任务提供了基线系统，并考虑了说话者的个性和情感在会话中的作用。我们的动机是提出一个被NLP社区广泛采用的数据集，作为对话式AI研究的新开放基准。完整的数据集可在https://github.com/scutcyr/CPED上获得。
2022-05-29 cs.AI cs.CL cs.HC
DischargeBench: Pre-Deployment Evaluation of LLM Discharge Educators through Persona-Grounded Patient Simulation
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
针对出院教育中LLM评估忽视患者理解的问题，提出DischargeBench人物设定模拟框架，通过虚拟患者多轮对话和四维评分，揭示总分掩盖的临床差异，强调评估应聚焦患者理解。
2026-10-16 cs.CL
REALTALK: A 21-Day Real-World Dataset for Long-Term Conversation
University of Southern California（南加州大学）；Databricks Mosaic Research（Databricks Mosaic研究院）；Sahara AI（撒哈拉人工智能）
本文构建21天真实即时通讯对话数据集REALTALK，分析其情绪表达与人设稳定性差异，并提出人设模拟和记忆探测任务，揭示模型在长期上下文利用上的不足。
2025-02-18 cs.CL
FreeTalky: Don't Be Afraid! Conversations Made Easier by a Humanoid Robot using Persona-based Dialogue
Korea University（高丽大学）；University of Copenhagen（哥本哈根大学）；NAVER Corp.（NAVER公司）
我们提出了一个基于深度学习的外语学习平台，名为FreeTalky，通过采用人形机器人NAO和各种深度学习模型，为那些在处理外语时经历焦虑的人提供。NAO中嵌入的基于人物的对话系统为用户提供了有趣且一致的多轮对话。此外，语法错误校正系统促进用户语法技能的提高。因此，我们的系统使个性化学习的基础上的人物对话和促进语法学习的用户使用语法错误反馈。此外，我们通过人类评估，验证了FreeTalky是否通过用NAO机器人代替对话中的真实人类来减轻异语恐惧症。
2021-12-08 cs.CL cs.CY
Stark: Social Long-Term Multi-Modal Conversation with Persona Commonsense Knowledge
School of Computing, KAIST（韩国科学技术院计算机学院）；KT Corporation（KT公司）
本文提出Stark大规模长期多模态对话数据集及Mcu自动构建框架，并训练Ultron 7B模型，以解决个性化长期图像分享对话问题。
2024-07-04 cs.CL cs.CV
MPCHAT: Towards Multimodal Persona-Grounded Conversation
Seoul National University（首尔国立大学）；NAVER AI Lab（NAVER人工智能实验室）
本文提出首个多模态人格对话数据集MPCHAT，将文本与图像结合表征情景记忆，并通过三项任务验证多模态人格能显著提升对话理解性能。
2023-05-27 cs.CL cs.CV
MCPDial: A Minecraft Persona-driven Dialogue Dataset
Vector Institute for AI（Vector人工智能研究所）；Microsoft Research（微软研究院）；University of British Columbia（不列颠哥伦比亚大学）
本研究提出用大语言模型生成游戏中人格驱动对话的方法，构建了含丰富角色描述、长对话及规范函数调用的Minecraft对话数据集MCPDial，并通过定性分析验证其质量。
2024-10-29 cs.AI cs.CL
Persistent Instability in LLM's Personality Measurements: Effects of Scale, Reasoning, and Conversation History
研究发现大语言模型在人格测量中存在持续不稳定性，规模扩大、推理和对话历史等干预措施未能有效提升稳定性。
2025-12-23 cs.AI cs.CL
From Guessing to Asking: An Approach to Resolving the Persona Knowledge Gap in LLMs during Multi-Turn Conversations
BITS Pilani；University of Maryland Baltimore County（马里兰大学巴尔的摩分校）；Ohio State University（俄亥俄州立大学）
本文提出 CPER 框架，通过不确定性量化与反馈改进动态识别并弥补多轮对话中的角色知识缺口，在 CCPE-M 和 ESConv 上均显著优于基线。
2025-03-16 cs.AI cs.CL
A Persona-based Multi-turn Conversation Model in an Adversarial Learning Framework
Capital One（第一资本金融公司）
在本文中，我们通过修改最先进的hredGAN架构，将基于角色的序列到序列（Seq 2Seq）神经网络会话模型扩展到多轮对话。为了实现这一点，我们在hredGAN的编码器和解码器中引入了一个额外的输入模态，以捕获其他属性，例如说话者身份、位置、子主题和其他可能从人与人交互语料库中获得的外部属性。当这些外部属性在多回合对话语料库中可用时，生成的角色hredGAN（$phredGAN$）显示出比现有的基于角色的Seq 2 Seq和hredGAN模型更好的性能。这种优越性在具有角色一致性的电视剧（如Big Bang Theory和Friends）和客户服务交互数据集（如Ubuntu对话语料库）上在困惑度、BLEU、ROUGE和Distinct n-gram分数方面得到了证明。
2019-04-29 cs.CL cs.LG stat.ML
Speaker Profiling in Multiparty Conversations
Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）；Indian Institute of Technology Delhi（印度理工学院德里分校）
本文提出对话中的说话人画像（SPC）任务，将其分解为人格发现、类型识别与值抽取三个子任务，构建SPICE数据集，并提出神经模型SPOT进行基准评测与模块局限分析。
2023-04-19 cs.AI cs.CL
Examining Identity Drift in Conversations of LLM Agents
Chung-Ang University（中央大学）
本文通过个人主题多轮对话实验，定性与定量考察九个 LLM 的身份一致性，发现模型越大漂移越明显，模型差异影响弱于参数规模，赋予角色也未必能维持身份。
2025-02-17 cs.CL cs.CY
MENASpeechBank: A Reference Voice Bank with Persona-Conditioned Multi-Turn Conversations for AudioLLMs
Qatar Computing Research Institute（卡塔尔计算研究所）
MENASpeechBank通过合成数据管道生成多轮对话数据，支持音频大语言模型在多样化语音和方言场景中的训练与应用。
2026-09-21 cs.AI cs.CL cs.SD
The Era of Real-World Human Interaction: RL from User Conversations
FAIR at Meta（Meta 的 FAIR）；Johns Hopkins University（约翰霍普金斯大学）
本文提出 RLHI 范式，直接从真实用户对话中学习，并通过用户引导改写与基于长期角色画像的奖励实现个性化偏好优化，在 WildChat 训练后提升个性化、指令遵循和推理表现。
2025-09-29 cs.AI cs.CL cs.LG
Staying with the Uncertainty: Uncertainty-Scaffolding Strategies for Artificial Moral Advisors in LLM-to-LLM Simulated Conversations
Centre for Data Futures, The Dickson Poon School of Law, King’s College London（数据未来中心、迪克森·普恩法学院、伦敦国王学院）；Department of Informatics, King’s College London（信息学院、伦敦国王学院）；LangAI, Center for Language AI Research, Tohoku University（LangAI、语言人工智能研究中心、东北大学）；Neukom Institute for Computational Science, Dartmouth College（计算科学尼科姆研究所、达特茅斯学院）
研究LLM作为人工道德顾问时，通过三种不确定性策略（视角倍增、张力保持、过程反思）与三种控制条件对比，在模拟对话中探讨如何帮助对话者“与不确定性共处”，发现不同策略在立场改变量上无差异但影响参与质量。
2026-06-04 cs.AI cs.CL
Personalized Automatic Speech Recognition for a Dysarthric and Tracheostomic Speaker using Artificial Conversations
针对一位捷克语气管造口及严重构音障碍说话人，本文提出基于Whisper Base的多阶段微调ASR系统，利用人工对话协议收集的33小时数据，实现字符错误率相对降低50%，证明严重受损语音也可获得有效识别。
2026-10-05 cs.AI cs.CL cs.HC
ConvoDrift: A Multi-Turn Conversational Dataset for Modeling Stylistic Tone Evolution
Informatics Institute of Technology, Sri Lanka（斯里兰卡信息技术学院）；National Health and Medical Research Council, Australia（澳大利亚国家健康与医学研究理事会）；Luxembourg Centre for Systems Biomedicine (LCSB), University of Luxembourg（卢森堡大学系统生物医学中心）
针对对话中风格动态变化研究不足的问题，提出ConvoDrift数据集，含15,727个多轮结构及六组提示-响应对，支持风格漂移建模与个性化对齐研究，并通过人工与自动评估验证其有效性。
2026-10-05 cs.AI cs.CL
