XPersona: Evaluating Multilingual Personalized Chatbot
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）
个性化的对话系统是实现更好的人机交互的重要一步。现有的个性化对话代理依赖于适当设计的会话数据集，这些数据集大多是单语的（例如，英语），这极大地限制了其他语言中会话代理的使用。在本文中，我们提出了一个多语言扩展的Persona-Chat，即XPersona。我们的数据集包括除英语之外的六种不同语言的人物对话，用于构建和评估多语言个性化代理。我们对多语言和跨语言训练基线进行了实验，并使用自动和人工评估对单语和预防管道模型进行了评估。实验结果表明，多语言训练模型的性能优于解释管道，并且它们与单语言模型相当，具有跨多种语言的单一模型的优势。另一方面，最先进的跨语言训练模型的性能不如其他模型，这表明跨语言会话建模是一项具有挑战性的任务。我们希望我们的数据集和基线将加速多语言对话系统的研究。
2020-04-08 cs.CL
Can AI Have a Personality? Prompt Engineering for AI Personality Simulation: A Chatbot Case Study in Gender-Affirming Voice Therapy Training
University of the District of Columbia（哥伦比亚特区大学）
本研究通过性别肯定语音治疗训练中的聊天机器人案例，验证了提示工程能使大型语言模型模拟出稳定且一致的人格特质。
2025-10-07 cs.CL cs.HC
Emily: Developing An Emotion-affective Open-Domain Chatbot with Knowledge Graph-based Persona
Artificial Intelligence Application Research Center, Huawei Technologies（华为技术有限公司人工智能应用研究中心）
在本文中，我们描述了开发Emily（一个情感开放域聊天机器人）的方法。Emily能够感知用户的消极情绪状态，并通过积极地转换用户的情绪状态来提供支持。这是通过在数据捕获对话上下文和跨回合的期望情感状态转换时微调预训练的对话模型来完成的。Emily可以区分一般的开放域对话话语和与个人信息有关的问题。通过利用基于知识图谱的问答方法来处理个人信息，Emily保持了个性的一致性。我们评估艾米丽对一些国家的最先进的开放域聊天机器人，并显示所提出的方法在情感影响和解决个性不一致的影响。
2021-09-18 cs.CL
Beyond ChatBots: ExploreLLM for Structured Thoughts and Personalized Model Responses
Google（谷歌）；Google Deepmind（谷歌DeepMind）；Emory University（埃默里大学）
本文提出 ExploreLLM，通过类模式结构和图形界面帮助用户组织思维、探索选项并表达高层偏好，从而降低纯文本聊天交互的认知负担，实现更个性化的 LLM 响应。
2023-12-01 cs.AI cs.CL cs.HC
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）
现有的多轮语境-反应匹配方法主要集中在获得多层次、多维度的表征以及语境话语与反应之间更好的交互。然而，在真实对话场景中，响应候选是否合适不仅取决于给定的对话上下文，还取决于其他背景，例如，措辞习惯、用户特定的对话历史内容。为了填补这些最新的方法和现实世界的应用之间的差距，我们将用户特定的对话历史的响应选择，并提出了一个个性化的混合匹配网络（PHMN）。我们的贡献是两方面的：1）我们的模型从用户特定的对话历史中提取个性化的措辞行为作为额外的匹配信息; 2）我们对上下文-响应话语进行混合表示学习，并显式地引入定制的注意力机制来从上下文-响应交互中提取重要信息，以提高匹配的准确性。我们在两个具有用户标识的大型数据集上评估我们的模型，即，个性化Ubuntu对话语料库（P-Ubuntu）和个性化微博数据集（P-Weibo）。实验结果证实，我们的方法显着优于几个强大的模型相结合的个性化注意，措辞行为，和混合表示学习。
2021-03-17 cs.CL
When Personalization Misleads: Understanding and Mitigating Hallucinations in Personalized LLMs
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学首都人工智能学院）；AI Lab at Lenovo Research（联想研究院人工智能实验室）；School of Artificial Intelligence and Data Science, University of International Business and Economics（国际商务与经济大学人工智能与数据科学学院）
本文提出FPPS方法，通过轻量级推理时间策略缓解个性化大语言模型中的事实性幻觉问题，并引入PFQABench基准评估事实性和个性化问答性能。
2026-01-16 cs.AI cs.CL
Fine Grained Knowledge Transfer for Personalized Task-oriented Dialogue Systems
Hong Kong University of Science and Technology（香港科技大学）
训练个性化的对话系统需要大量的数据，而针对单个用户收集的数据通常是不够的。针对该问题的一种常见做法是在不同用户之间共享训练对话，并且连同迁移学习一起训练多个序列到序列对话模型。然而，目前的序列到序列迁移学习模型对整个句子进行操作，如果来自不同用户的不同个人信息被混淆，则可能导致负迁移。我们提出了一个个性化的解码器模型，在不同的用户之间传递更细粒度的短语级知识，同时保持每个用户的个人偏好不变。引入了一种新的个人控制门，使个性化解码器能够在生成个性化短语和共享短语之间切换。所提出的个性化解码器模型可以很容易地与各种深度模型相结合，并且可以用强化学习进行训练。真实世界的实验结果表明，短语级个性化解码器提高了BLEU超过多个语音级传输基线模型高达7.5%。
2017-11-11 cs.AI cs.CL
Automatic Evaluation of Neural Personality-based Chatbots
Institute for Logic, Language and Computation（逻辑、语言与计算研究所）；University of Amsterdam（阿姆斯特丹大学）
文体变异对于使会话主体产生的话语自然和引人入胜至关重要。在本文中，我们专注于序列到序列模型的开放域对话响应生成，并提出了一种新的方法来评估在何种程度上，这些模型能够产生反应，反映不同的人格特质。
2018-09-30 cs.CL
Personalized Large Language Models
Wroclaw Tech（弗罗茨瓦夫理工大学）
本文研究个性化大型语言模型，通过比较微调和零样本推理，证明个性化微调能提升模型在主观任务上的推理与性能。
2024-11-07 cs.AI cs.CL
DLVGen: A Dual Latent Variable Approach to Personalized Dialogue Generation
Nanyang Technological university（南洋理工大学）
个性化对话的生成对于自然和人性化的对话至关重要。典型地，个性化对话生成模型涉及根据对话历史和对话者的角色/个性的表示来调节所生成的响应。由于它是不切实际的，以获得每一个对话者的人物/个性表示，最近的作品已经探索了通过微调模型与对应于一个给定的人物的对话例子，而不是生成个性化的对话的可能性。然而，在现实世界的实现中，足够数量的对应对话示例也很少可用。因此，在本文中，我们提出了一个双潜变量生成器（DLVGen）能够生成个性化的对话中没有任何人物/个性信息或任何相应的对话例子。与以前的工作不同，DLVGen模型的潜在分布在潜在的反应，以及代理的潜在人物的潜在分布。在推理过程中，潜变量从两个分布中采样并馈送到解码器中。实证结果表明，DLVGen是能够产生不同的反应，准确地将代理人的角色。
2021-11-22 cs.AI cs.CL
First-Person Fairness in Chatbots
OpenAI
本文提出一种基于反事实和语言模型研究助手（LMRA）的可扩展方法，用于评估聊天机器人针对用户人口统计学特征的“第一人称公平性”，并在数百万次真实交互中验证了其有效性，发现训练后强化学习能显著缓解偏见。
2025-03-03 cs.AI cs.CL cs.CY
Navigating the Unknown: A Chat-Based Collaborative Interface for Personalized Exploratory Tasks
Southeast University（东南大学）；Microsoft（微软公司）；Nanjing University（南京大学）
针对大语言模型聊天机器人在模糊查询下个性化支持不足的问题，提出融合多智能体框架与三面板结构化界面的CARE系统，可识别用户显隐性需求并生成定制方案，用户研究显示其相比基线系统更受偏好。
2024-10-31 cs.AI cs.CL cs.HC
Reasoning-Based Personalized Generation for Users with Sparse Data
Vanderbilt University（范德比尔特大学）；Adobe Research（Adobe研究）；Yale University（耶鲁大学）；University of Oregon（俄勒冈大学）
GraSPer通过预测用户未来交互并生成文本来增强稀疏上下文中的个性化生成，提升用户个性化输出质量。
2026-08-18 cs.AI cs.CL
Rehearse With User: Personalized Opinion Summarization via Role-Playing based on Large Language Models
The Alan Turing Institute（阿兰·图灵研究所）
针对大语言模型在长文本个性化摘要任务中的困难，提出基于角色扮演的Rehearsal框架，通过让模型扮演用户、引入监督器与练习过程及虚拟用户建议干预，有效提升了摘要的个性化水平。
2025-03-01 cs.AI cs.CL
Evaluation of In-Person Counseling Strategies To Develop Physical Activity Chatbot for Women
Columbia University（哥伦比亚大学）；University of California, Davis（加州大学戴维斯分校）
人工智能聊天机器人是基于技术的干预改变人们行为的先锋。要开发干预聊天机器人，第一步是理解人类对话中的自然语言对话策略。这项工作介绍了一个干预对话数据集收集从现实世界中的身体活动干预计划的妇女。我们在四个维度（领域，策略，社会交换和任务为中心的交换）设计了全面的注释方案，并注释了一个子集的对话。我们建立了一个策略分类器，上下文信息检测的基础上的注释从培训师和参与者的策略。为了了解人类干预如何诱导有效的行为改变，我们分析了干预策略与参与者对身体活动的障碍和社会支持变化之间的关系。我们还分析了参与者的基线体重如何与相应策略的发生量相关。这项工作为开发个性化的身体活动干预机器人奠定了基础。数据集和代码可在https://github.com/KaihuiLiang/physical-activity-counseling上获得
2021-07-22 cs.AI cs.CL cs.CY
Persona-Aware Alignment Framework for Personalized Dialogue Generation
National Key Laboratory for Novel Software Technology（新型软件技术国家重点实验室）；Nanjing University（南京大学）
针对现有个性化对话生成方法易忽略给定角色、生成通用回复的问题，提出角色感知对齐框架PAL，通过两阶段训练搭配对应推理策略提升回复角色相关性，实验证明其性能优于现有最优方法和大语言模型。
2025-11-13 cs.AI cs.CL
Bilateral Personalized Dialogue Generation with Contrastive Learning
针对人机对话中忽视用户人格的问题，提出双边个性化对话生成方法，融合用户与机器人人格，采用条件互信息最大化与对比学习选回复，实验验证其更个性化且一致。
2021-09-21 cs.AI cs.CL
Partner Matters! An Empirical Study on Fusing Personas for Personalized Response Selection in Retrieval-Based Chatbots
University of Science and Technology of China（中国科学技术大学）；Queen’s University（女王大学）；iFLYTEK Research（讯飞研究院）
角色可以作为先验知识来维护对话系统的一致性。以往的研究大多采用对话中的自我角色，其反应是从一组候选人中选择或直接产生的，但很少有人注意到伙伴在对话中的作用。本文试图深入探讨利用人物角色描述自己或合作伙伴的发言人的响应选择任务中检索为基础的聊天机器人的影响。设计了四种人物角色融合策略，假设人物角色以不同的方式与上下文或响应进行交互。这些策略被实现为三个典型的响应选择模型，分别基于分层递归编码器（HRE），交互式匹配网络（IMN）和双向编码器表示从Transformers（BERT）。Persona-Chat数据集上的实证研究表明，在以前的研究中被忽略的合作伙伴人物角色可以提高基于IMN和BERT的模型中响应选择的准确性。此外，我们基于BERT的模型实现了上下文响应感知的人物角色融合策略，在原始人物角色上的命中率大于2.7%，在修改后的人物角色上的命中率大于4.6%，在Persona-Chat数据集上实现了新的最先进的性能。
2021-05-21 cs.CL
Personalized Language Modeling from Personalized Human Feedback
Carnegie Mellon University（卡内基梅隆大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Princeton Language and Intelligence（普林斯顿语言与智能中心）
针对传统RLHF无法适配多样用户偏好的问题，提出高效框架P-RLHF，通过轻量用户模型联合学习偏好与个性化LLM，兼顾显隐式偏好且无需用户完整表述偏好，实验表现优于现有方法并已开源。
2024-12-09 cs.AI cs.CL cs.LG
PERSOMA: PERsonalized SOft ProMpt Adapter Architecture for Personalized Language Prompting
Google Research（谷歌研究院）
PERSOMA提出一种个性化软提示适配器架构，通过将用户交互历史重采样、压缩并转化为软提示嵌入，高效建模用户偏好，实验证明其在处理大规模复杂用户历史上优于现有嵌入和文本提示方法。
2024-08-02 cs.AI cs.CL cs.IR
Stereotype or Personalization? User Identity Biases Chatbot Recommendations
Carnegie Mellon University（卡内基梅隆大学）
研究发现，LLMs 在生成推荐时会因用户身份特征产生种族刻板印象偏见，且未能透明披露该影响，此现象在多个主流模型和种族群体中普遍存在。
2025-05-30 cs.CL
LLM Roleplay: Simulating Human-Chatbot Interaction
Technical University of Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森州人工智能中心）；Ubiquitous Knowledge Processing Lab (UKP Lab)（普适知识处理实验室）
提出LLM Roleplay方法，利用大型语言模型扮演文本角色自动生成多轮人机对话，有效模拟不同社会人口背景的交互，并在高不可区分率下验证了其有效性。
2024-10-13 cs.CL
TPRM: A Topic-based Personalized Ranking Model for Web Search
Artificial Intelligence Application Research Center, Huawei Technologies（华为技术有限公司人工智能应用研究中心）
排名模型已经取得了可喜的成果，但它仍然具有挑战性的设计个性化的排名系统，利用用户简档和查询和文档之间的语义表示。在本文中，我们提出了一个基于主题的个性化排名模型（TPRM），结合用户的主题配置文件与预先训练的上下文术语表示量身定制的一般文档排序列表。在真实数据集上的实验表明，TPRM的性能明显优于最先进的ad-hoc排名模型和个性化排名模型。
2021-08-13 cs.AI cs.CL cs.IR
Large Language Models Empowered Personalized Web Agents
National University of Singapore（新加坡国立大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Science and Technology of China（中国科学技术大学）；Eastern Institute of Technology（宁波东方理工大学）
针对现有基于大语言模型的Web智能体忽视个性化数据的问题，研究构建了个性化Web智能体基准PersonalWAB，提出PUMA框架，通过记忆检索与模型对齐实现个性化任务执行，性能优于现有方法。
2025-03-24 cs.AI cs.CL cs.IR
P5: Plug-and-Play Persona Prompting for Personalized Response Selection
NAVER（NAVER公司）；Kakao Brain
提出即插即用的角色提示方法P5，用于个性化回复选择，在零样本和微调设置下均显著提升性能，减少对角色语料依赖。
2023-10-10 cs.AI cs.CL cs.IR
How Does Personalized Memory Shape LLM Behavior? Benchmarking Rational Preference Utilization in Personalized Assistants
Renmin University of China（中国人民大学）；Huawei Technologies Ltd.（华为技术有限公司）
本研究提出RPEval基准，通过分析个性化记忆对LLM行为的影响，引入RP-Reasoner方法，有效缓解非理性个性化问题。
2026-01-23 cs.CL
Personalized word representations Carrying Personalized Semantics Learned from Social Network Posts
National Taiwan University（国立台湾大学）
分布式单词表示在各种自然语言处理（NLP）应用任务中已被证明是非常有用的。这些从大型语料库中获取的词向量往往同时携带了词的语义和句法信息。然而，众所周知，每个个体用户都有自己的语言模式，因为不同的因素，如感兴趣的话题，朋友群体，社交活动，措辞习惯等，这可能意味着某种个性化的语义。通过这种个性化的语义，同一个词对于不同的用户可能有稍微不同的含义。例如，单词“卡布奇诺”对于享受咖啡的用户而言可能意味着“休闲”、“快乐”、“极好”，而对于其他人而言只是一种饮料。这种个性化的语义当然不能由标准的通用词向量来承载，这些词向量是由许多人产生的庞大语料库训练的。在本文中，我们提出了一个框架，训练不同的个性化词向量，为不同的用户非常成功的连续跳语法模型的基础上，使用许多个人用户发布的社交网络数据。该框架首先从背景语料库中学习通用背景词向量，然后由个性化语料库对每个用户进行适配，以学习个性化词向量。我们使用两个应用程序任务来评估以这种方式获得的个性化词向量的质量，用户预测任务和句子完成任务。这些个性化的词向量被证明携带一些个性化的语义，并在这两个评估任务上提供更好的性能。
2017-10-29 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
Less is More: Learning to Refine Dialogue History for Personalized Dialogue Generation
Renmin University of China（中国人民大学）；University of Montreal（蒙特利尔大学）
个性化对话系统探索生成与用户的个性一致的响应的问题，这在近年来引起了很多关注。现有的个性化对话系统已经尝试从对话历史中提取用户简档以指导个性化响应生成。由于对话历史通常是长的和嘈杂的，大多数现有的方法截断对话历史来建模用户的个性。这样的方法可以生成一些个性化的响应，但是浪费了大部分对话历史，导致个性化响应生成的次优性能。在这项工作中，我们提出了细化用户的对话历史在大规模上，在此基础上，我们可以处理更多的对话历史，并获得更丰富和准确的人物信息。具体来说，我们设计了一个MSP模型，它包括三个个人信息提炼器和一个个性化的响应生成器。有了这些多层次的精炼器，我们可以从对话历史中稀疏地提取最有价值的信息（令牌），并利用其他类似用户的数据来增强个性化。在两个真实数据集上的实验结果表明，我们的模型在生成更多信息和个性化的响应方面具有优越性。
2022-04-18 cs.CL
Exploring the Value of Personalized Word Embeddings
University of Michigan（密歇根大学）
在本文中，我们介绍了个性化的词嵌入，并检查他们的语言建模的价值。我们比较了我们提出的预测模型的性能时，使用个性化与通用的单词表示，并研究如何利用这些表示来提高性能。我们提供了在构建个性化模型时可以更准确地预测哪些类型的单词的见解。我们的研究结果表明，属于特定的心理语言学类别的一个子集的话往往会在他们的代表不同的用户和通用和个性化的词嵌入相结合，产生最好的性能，4.7%的相对减少困惑。此外，我们表明，使用个性化的词嵌入的语言模型可以有效地用于作者归属。
2020-11-11 cs.CL
Examining the Effectiveness of Chatbots in Gathering Family History Information in Comparison to the Standard In-Person Interview-Based Approach
School of Computing, Dublin City University（都柏林城市大学计算机学院）
本研究提出首个专门用于收集家族史的聊天机器人，通过对比实验发现其虽耗时较长，但错误率和用户困惑度均低于 ancestry.com 和面对面访谈，为跨国家族史收集提供了有价值的工具。
2023-09-01 cs.CL cs.HC cs.LG
Generating Personalized Recipes from Historical User Preferences
University of California, San Diego（加利福尼亚大学圣地亚哥分校）
现有的食谱生成方法无法为具有烹饪偏好但对特定菜肴中的成分不完全了解的用户创建食谱。我们提出了一个新的任务，个性化的食谱生成，以帮助这些用户：扩展的名称和不完整的成分细节到完整的自然文本指令符合用户的历史偏好。我们参加技术和食谱级表示用户以前消费的食谱，融合这些“用户感知”的表示在注意力融合层控制食谱文本生成。在180K食谱和700K交互的新数据集上的实验表明，与非个性化基线相比，我们的模型能够生成合理和个性化的食谱。
2019-08-31 cs.AI cs.CL cs.LG
Learning to Reason for Multi-Step Retrieval of Personal Context in Personalized Question Answering
University of Washington（华盛顿大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
PR2通过强化学习框架结合推理与检索，提升个性化问答的准确性和用户特定偏好对齐度。
2026-02-22 cs.AI cs.CL cs.IR
Towards Personalized Deep Research: Benchmarks and Evaluations
OPPO；Zhejiang University（浙江大学）
本文提出PDR-Bench，首个用于评估深度研究代理个性化能力的基准，通过结合多样化任务与真实用户档案，评估个性化对齐、内容质量和事实可靠性。
2026-03-04 cs.AI cs.CL cs.IR
Personalized Pieces: Efficient Personalized Large Language Models through Collaborative Efforts
University of Notre Dame（圣母大学）
本文提出 Per-Pcs 框架，将个性化 PEFT 拆分为可共享片段并通过门控组装，在六项任务上以更低资源达到接近 OPPU 的效果。
2024-10-28 cs.CL
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）
针对个性化对话生成中回复需兼顾连贯性与人设一致性的挑战，提出MUDI方法，借助大语言模型构建对话图、用DialogueGAT捕捉话语关系，并通过连贯感知注意力提升生成质量，使回复更自然类人。
2025-06-13 cs.CL
Personalized Soups: Personalized Large Language Model Alignment via Post-hoc Parameter Merging
University of Washington（华盛顿大学）；Allen Institute for AI（艾伦人工智能研究所）；KAIST AI（韩国科学技术院人工智能学院）；UC San Diego（加州大学圣地亚哥分校）
本研究提出通过多目标强化学习分解偏好维度，并采用事后参数合并实现大语言模型的个性化对齐，以应对RLHF在个体偏好学习上的不足。
2023-10-17 cs.CL
POSGen: Personalized Opening Sentence Generation for Online Insurance Sales
Jilin University（吉林大学）；Wesure Inc.（Wesure公司）；Singapore Management University（新加坡管理大学）
保险业正将销售模式由线下转向线上，期望在数字化时代接触到大量潜在客户。由于保险产品的复杂性和性质，一个具有成本效益的在线销售解决方案是利用聊天机器人AI来提高客户的注意力，并将感兴趣的人传递给人类代理进行进一步销售。对于客户的高响应率和转化率，聊天机器人发起具有个性化开场白的对话至关重要，这些开场白是通过用户特定的主题选择和排序生成的。这种个性化的开头句子生成是具有挑战性的，因为（i）在线保险销售中的会话主题推荐的历史样本有限，以及（ii）现有的文本生成方案通常不能支持基于用户偏好的定制主题排序。我们设计POSGen，一个个性化的开放式句子生成计划，专门用于在线保险销售。它转移用户嵌入学习辅助在线用户行为，以提高会话主题推荐，并利用上下文管理单元安排推荐的主题在用户特定的顺序为开场白生成。POSGen部署在真实世界的在线保险平台上。通过为期两个月的全球测试，它实现了2.33倍的总保费增长。
2023-02-10 cs.CL
P-Check: Advancing Personalized Reward Model via Learning to Generate Dynamic Checklist
Department of Artificial Intelligence,Yonsei University（燕京大学人工智能学院）
本文提出P-Check框架，通过学习生成动态检查清单来提升个性化奖励模型的准确性，并引入偏好对比准则加权策略以增强个性化生成效果。
2026-06-23 cs.CL
Exploring Persona Sentiment Sensitivity in Personalized Dialogue Generation
Department of Artificial Intelligence, Chung-Ang University（人工智能系， Chung-Ang 大学）
本文通过大规模实验揭示用户人物角色情感极性对LLM个性化对话质量的影响，并提出结合轮次生成、画像排序和情感感知提示的对话生成方法，以提升个性化对话系统的稳健性与细腻度。
2025-06-01 cs.CL
You Don't Know My Favorite Color: Preventing Dialogue Representations from Revealing Speakers' Private Personas
Hong Kong University of Science and Technology（香港科技大学）；WeBank（微众银行）
社交聊天机器人，也被称为聊天聊天机器人，随着大型预训练语言模型的快速发展。尽管取得了巨大的进步，但最近出现了隐私问题：大语言模型的训练数据可以通过模型反演攻击提取。另一方面，用于训练聊天机器人的数据集包含两个人之间的许多私人对话。在这项工作中，我们进一步研究了通过语言建模训练的聊天机器人的隐藏状态的隐私泄漏，这还没有得到很好的研究。我们表明，说话人的人物角色可以推断，通过一个简单的神经网络与高精度。为此，我们提出了有效的防御目标，以保护隐藏状态的人物泄漏。我们进行了大量的实验，证明我们提出的防御目标可以大大降低攻击的准确性从37.6%到0.5%。同时，所提出的目标保留了语言模型强大的生成能力。
2022-04-26 cs.CL cs.CR cs.LG
From Empathy to Personalized Empathy: Adapting Empathetic Strategies to Individual Users
University of Science and Technology of China（中国科学技术大学）；Huawei Technologies（华为技术）
针对大语言模型长期交互中忽略用户个性对共情策略影响的问题，提出个性化共情任务，构建PersonaEmp数据集和PereGRM奖励建模框架，实验证明其有效提升个性化共情能力。
2026-08-26 cs.CL
GEP: A GCG-Based method for extracting personally identifiable information from chatbots built on small language models
Department of Computer Science（计算机科学系）；The Arctic University of Norway（挪威北极大学）
本研究提出GEP方法，一种基于GCG的贪婪坐标梯度方法，用于从小语言模型构建的聊天机器人中提取个人身份信息，实验显示泄露量较模板方法增加60倍，自由式插入下泄露率达4.53%。
2025-09-26 cs.CL
Comparative Personalization for Multi-document Summarization
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出ComPSum框架，通过对比用户偏好生成结构化分析以指导个性化多文档摘要，并构建PerMSum数据集和AuthorMap评估框架，实验证明其优于强基线。
2025-09-25 cs.CL
PersonaBOT: Bringing Customer Personas to Life with LLMs and RAG
Department of Computer Science, Jönköping University（计算机科学系，约翰科普ิง大学）；Department of Future Solutions, Volvo Construction Equipment（未来解决方案部，沃尔沃建筑设备公司）
本文提出PersonaBOT，利用LLM和RAG生成合成客户画像并集成到聊天机器人中，通过少样本与思维链提示对比，提升业务决策支持，准确率评分从5.88升至6.42。
2025-05-22 cs.CL cs.LG
Bridging Personalization and Control in Scientific Personalized Search
University of Massachusetts Amherst（马萨诸塞大学阿姆赫斯特分校）；Lowe’s Companies, Inc（劳埃德公司）；Coursera
针对个性化搜索不透明且缺乏用户控制的问题，提出带有可编辑记忆的cross-encoder模型CtrlCE与校准混合模型，使用户能主动控制个性化排序并按需触发个性化，在四个科学领域及用户研究中验证了其有效性。
2025-04-30 cs.CL cs.IR
Retrieval Augmented Generation with Collaborative Filtering for Personalized Text Generation
Renmin University of China（中国人民大学）；Kuaishou Technology Co., Ltd.（快手科技有限公司）
本文提出CFRAG方法，将协同过滤引入个性化检索增强生成，通过对比学习获取相似用户协同信息，并利用LLM反馈微调个性化检索与重排序器，在LaMP基准上验证了其有效性。
2025-04-08 cs.CL cs.IR
Personalized Language Model for Query Auto-Completion
University of Washington（华盛顿大学）
查询自动完成是搜索引擎的一个功能，通过该功能，系统在用户键入时建议完成的查询。最近，建议使用递归神经网络语言模型作为生成查询补全的方法。我们展示了如何使用自适应的语言模型来生成个性化的补全，以及该模型如何使用在线更新来为训练过程中看不到的用户进行预测。个性化预测明显优于不使用用户信息的基线。
2018-04-25 cs.CL cs.IR
Exploring Personalized Health Support through Data-Driven, Theory-Guided LLMs: A Case Study in Sleep Health
Weill Cornell Medicine, \ University New York NY USA；Weill Cornell Medicine, \ University
本研究提出HealthGuru，一种数据驱动、理论引导的LLM聊天机器人，通过多智能体框架和情境多臂老虎机提供个性化睡眠建议，实地实验表明其能改善睡眠指标并提升用户动机。
2025-08-04 cs.CL cs.HC
Toward Word Embedding for Personalized Information Retrieval
Université de Grenoble（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；Université de Saint-Étienne（圣艾蒂安大学）
本文介绍了在个性化信息检索的背景下，使用词嵌入（word2vec）查询扩展的初步工作。传统上，词嵌入是在一个通用的语料库上学习的，比如维基百科。在这项工作中，我们试图个性化的词嵌入学习，通过实现对用户的个人资料的学习。然后，词嵌入处于与用户兴趣相同的上下文中。我们的建议是在CLEF社会图书搜索2016年收集评估。研究结果表明，在个性化信息检索中，词嵌入的应用还有待进一步研究。
2016-06-22 cs.CL cs.IR
Towards Controllable and Personalized Review Generation
New York University（纽约大学）；Stern School of Business（斯特恩商学院）
在本文中，我们提出了一种新的模型RevGAN，自动生成可控的和个性化的用户评论的基础上，任意给定的情感和风格的信息。RevGAN利用了三个新组件的组合，包括自关注递归自编码器，条件鉴别器和个性化解码器。我们在几个真实世界的数据集上测试了它的性能，在这些数据集上，我们的模型在句子质量、连贯性、个性化和人类评估方面明显优于最先进的生成模型。我们还实证表明，生成的评论不能很容易地从有机生产的评论区分，他们遵循相同的统计语言学规律。
2020-01-08 cs.CL cs.LG stat.ML
