在本文中，我们扩展了基于人物的序列到序列（Seq2Seq）神经网络会话模型的多轮对话场景，通过修改最先进的hredGAN架构，同时捕获话语属性，如说话人身份，对话主题，说话人的情绪等。我们还探索了两种方法来实现条件预测：（1）phredGAN_a，一种将属性表示作为额外输入传递到传统对抗性预测中的系统，以及（2）phredGAN_d，一种除了对抗性预测之外还协同预测生成输入话语的属性的双预测系统。为了证明phredGAN优于personalSeq2Seq模型的性能，我们使用两个会话数据集进行了实验，即Ubuntu对话语料库（UDC）和Big Bang Theory和Friends的电视剧成绩单。性能比较是相对于各种量化措施以及众包的人的评价。我们还探索了在具有许多但弱属性模态的数据集（例如Big Bang Theory和Friends）和具有很少但强属性模态的数据集（Ubuntu数据集中的客户代理交互）上使用phredGAN变体的权衡。
英文摘要：
In this paper, we extend the persona-based sequence-to-sequence (Seq2Seq) neural network conversation model to a multi-turn dialogue scenario by modifying the state-of-the-art hredGAN architecture to simultaneously capture utterance attributes such as speaker identity, dialogue topic, speaker sentiments and so on. The proposed system, phredGAN has a persona-based HRED generator (PHRED) and a conditional discriminator. We also explore two approaches to accomplish the conditional discriminator: (1) phredGAN_a, a system that passes the attribute representation as an additional input into a traditional adversarial discriminator, and (2) phredGAN_d, a dual discriminator system which in addition to the adversarial discriminator, collaboratively predicts the attribute(s) that generated the input utterance. To demonstrate the superior performance of phredGAN over the persona Seq2Seq model, we experiment with two conversational datasets, the Ubuntu Dialogue Corpus (UDC) and TV series transcripts from the Big Bang Theory and Friends. Performance comparison is made with respect to a variety of quantitative measures as well as crowd-sourced human evaluation. We also explore the trade-offs from using either variant of phredGAN on datasets with many but weak attribute modalities (such as with Big Bang Theory and Friends) and ones with few but strong attribute modalities (customer-agent interactions in Ubuntu dataset).
From Persona to Person: Enhancing the Naturalness with Multiple Discourse Relations Graph Learning in Personalized Dialogue Generation
Department of Computer Science（计算机科学系）；Information Engineering, National Cheng Kung University, Taiwan（信息工程系，国立云林科技大学，台湾）；Department of Computer Science, National Tsing Hua University, Taiwan（计算机科学系，国立清华大学，台湾）
"In Dialogues We Learn": Towards Personalized Dialogue Without Pre-defined Profiles through In-Dialogue Learning
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Ant Group（蚂蚁集团）；University of Electronic Science and Technology of China（电子科技大学）；Kunming University of Science and Technology（昆明理工大学）
Center for Artificial Intelligence Research (CAiRE)（人工智能研究中心（CAiRE））；The Hong Kong University of Science and Technology（香港科技大学）
现有的个性化对话模型使用人类设计的人物描述来提高对话的一致性。从现有的对话中收集这些描述是昂贵的，需要手工制作的功能设计。在本文中，我们提出扩展模型不可知元学习（MAML）（Finn等人，2017年）到个性化的对话学习，而不使用任何人物角色描述。我们的模型通过仅利用从同一用户收集的几个对话样本来学习快速适应新的人物角色，这与根据人物角色描述来调节响应有根本的不同。Persona-chat数据集的经验结果（Zhang et al.，2018）表明，我们的解决方案使用自动评估指标，在人工评估的流畅性和一致性方面优于非元学习基线。
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；Computer Science Department, Columbia University（哥伦比亚大学计算机科学系）；Computer Science Department, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系）；Computer Science Department, University of California, Davis（加州大学戴维斯分校计算机科学系）
当前的对话系统对于用户来说不是很吸引人，特别是当在不依赖于主动重新参与脚本策略的情况下进行端到端培训时。Zhang et al.（2018）表明，当将端到端对话模型的参与度调节为文本角色时，会增加模型的参与度，为模型提供一些个性化的背景故事。然而，Zhang et al.（2018）中使用的数据集是合成的，大小有限，因为它包含大约1k个不同的人物角色。在本文中，我们介绍了一个新的数据集，提供500万个人物角色和7亿个基于人物角色的对话。我们的实验表明，在这种规模下，使用人物角色进行训练仍然可以提高端到端系统的性能。此外，我们还通过对Zhang et al.（2018）的数据微调我们的模型并实现最先进的结果，证明了其他任务也受益于我们数据集的广泛覆盖。
Will I Sound Like Me? Improving Persona Consistency in Dialogues through Pragmatic Self-Consciousness
Seoul National University（首尔国立大学）
我们探讨的任务，提高人物角色的一致性的对话代理。最近处理一致性的模型通常使用额外的自然语言推理（NLI）标签进行训练，或者将训练过的额外模块附加到生成代理以保持一致性。然而，这种额外的标签和培训可能是苛刻的。此外，我们发现，即使是表现最好的基于角色的代理是不敏感的矛盾的话。受社会认知和语用学的启发，我们通过一个假想的听众赋予现有的对话主体公共自我意识。我们的方法基于理性言语行为框架（Frank and Goodman，2012），可以强制对话代理避免说出矛盾。我们通过学习分心物选择来进一步扩展框架，这通常是手动或随机完成的。关于对话NLI的结果（Welleck等人，2019）和PersonaChat（Zhang et al.，2018）数据集表明，我们的方法减少了矛盾，提高了现有对话模型的一致性。此外，我们表明，它可以推广到提高上下文一致性超越人物角色的对话。
UPCS: Unbiased Persona Construction for Dialogue Generation
School of Software Shandong University（山东大学软件学院）；Hong Kong University of Science and Technology（香港科技大学）；Southern University of Science and Technology（南方科技大学）
COSPLAY: Concept Set Guided Personalized Dialogue Generation Across Both Party Personas
Beijing University of Technology（北京工业大学）；Tencent AI Lab（腾讯AI实验室）；Tsinghua University（清华大学）；The Chinese University of Hong Kong（香港中文大学）；University of Southern California（南加州大学）
Personalized Dialogue Generation with Persona-Adaptive Attention
University of Surrey（萨里大学）；Southern University of Science and Technology（南方科技大学）；ByteDance AI Lab（字节跳动人工智能实验室）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
PicPersona-TOD : A Dataset for Personalizing Utterance Style in Task-Oriented Dialogue with Image Persona
Graduate School of Artificial Intelligence, POSTECH, Republic of Korea（人工智能研究生院，POSTECH，韩国）；Department of Computer Science and Engineering, POSTECH, Republic of Korea（计算机科学与工程系，POSTECH，韩国）
Dialogue History Matters! Personalized Response Selectionin Multi-turn Retrieval-based Chatbots
Wangxuan Institute of Computer Technology（王选计算机技术研究所）；Center for Data Science（数据科学中心）；Academy for Advanced Interdisciplinary Studies（前沿交叉学科研究院）；Peking University（北京大学）；Soochow University（苏州大学）；Gaoling School of Artificial Intelligence（高瓴人工智能学院）；Renmin University of China（中国人民大学）
