Learning Retrieval Augmentation for Personalized Dialogue Generation
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AI实验室)
针对人物画像信息不足导致个性化对话生成困难的问题,提出LAPDOG模型,通过联合训练故事检索器与对话生成器,利用外部故事文档增强人物画像,在CONVAI2数据集上显著优于基线。
2024-06-27 cs.AI cs.CL cs.LG
Enhancing Personalized Dialogue Generation with Contrastive Latent Variables: Combining Sparse and Dense Persona
Tianjin University(天津大学);Northeastern University at Qinhuangdao(东北大学秦皇岛分校);China Mobile Communication Group Tianjin Co., Ltd.(中国移动通信集团天津有限公司)
针对个性化对话中稀疏画像信息不足、稠密画像含噪及历史查询质量差的问题,提出基于对比潜变量的模型CLV,将稠密画像聚类为稀疏类别并结合历史查询生成回复,有效提升了中英文数据集上的个性化效果。
2023-05-19 cs.CL
Learning to Predict Persona Information forDialogue Personalization without Explicit Persona Description
Beihang University(北京航空航天大学)
个性化对话代理对于对话系统生成更具体、一致和吸引人的响应是重要的。然而,目前大多数对话个性化方法在推理过程中依赖于明确的人物角色描述,这严重限制了其应用。在本文中,我们提出了一种新的方法,学习预测人物信息的基础上的对话历史个性化的对话代理,而不依赖于任何明确的人物描述在推理。在PersonaChat数据集上的实验结果表明,该方法可以提高基于对话主体的预测特征(即“自我角色”)的生成响应的一致性,并提高基于对话伙伴的预测角色(即“他们的角色”)的生成响应的一致性.我们还发现,经过训练的人物角色预测模型可以成功地转移到其他数据集,并有助于生成更相关的响应。
2021-11-30 cs.CL
Crafting a Good Prompt or Providing Exemplary Dialogues? A Study of In-Context Learning for Persona-based Dialogue Generation
Fuxi AI Lab, NetEase Inc.(网易伏羲人工智能实验室);Zhejiang University(浙江大学);Singapore Management University(新加坡管理大学)
本研究在中文数据集上系统探究了大型语言模型在基于角色对话生成中的上下文学习能力,发现调整提示指令最有效,随机检索示例效果最佳,且模型能从损坏的示例中学习。
2024-02-17 cs.CL cs.LG
A Neural Topical Expansion Framework for Unstructured Persona-oriented Dialogue Generation
Shandong University(山东大学);Tencent AI Lab(腾讯人工智能实验室);The Chinese University of Hong Kong(香港中文大学);University of Amsterdam(阿姆斯特丹大学)
非结构化面向角色的对话系统(UPDS)已经被证明在通过利用预定义的自然语言用户角色描述(例如,“我是一个素食主义者”)。然而,预定义的用户角色描述通常很短,并且仅限于几个描述性词语,这使得难以将它们与对话相关联。因此,现有的方法要么无法使用的角色描述或使用它们不正确时,生成人物角色一致的响应。为了解决这个问题,我们提出了一个神经主题扩展框架,即人物角色探索和利用(PEE),它能够扩展预定义的用户角色描述与语义相关的内容,然后利用它们来生成对话响应。PEE由两个主要模块组成:角色探索和角色开发。前者通过使用基于变分自动编码器(VAE)的主题模型挖掘和关联现有对话语料库来学习扩展预定义的用户角色描述。后者通过利用预定义的和扩展的用户角色描述来学习生成角色一致的响应。为了使角色开发能够更好地利用用户的角色描述,我们还引入了两个面向角色的损失函数:面向角色匹配(Persona-oriented Matching,P-Match)损失和面向角色词袋(Persona-oriented Bag-of-Words,P-BoWs)损失,分别用于监督编码器和解码器中的角色选择。实验结果表明,我们的方法优于国家的最先进的基线,在自动和人工评估。
2020-02-06 cs.AI cs.CL cs.LG
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
Transferable Persona-Grounded Dialogues via Grounded Minimal Edits
Tsinghua University(清华大学);Samsung Research China - Beijing (SRC-B)(三星中国研究院北京分院);NetEase Inc.(网易公司)
接地对话模型生成基于某些概念的响应。受扎根对话数据分布的限制,在此类数据上训练的模型在数据分布和扎根概念类型方面面临可移植性挑战。为了应对这些挑战,我们提出了接地最小的编辑框架,它最小限度地编辑现有的响应接地给定的概念。专注于人物角色,我们提出了接地最小编辑器(GME),它学会了通过解开和重组人物角色相关和人物角色不可知的部分的反应编辑。为了评估基于人物角色的最小编辑,我们提出了PersonaMinEdit数据集,实验结果表明,GME大大优于竞争基线。为了评估可转移性,我们在BlendedSkillTalk的测试集上进行了实验,并表明GME可以编辑对话模型的响应,从而在很大程度上提高其角色一致性,同时保留知识和同理心的使用。
2021-09-16 cs.AI cs.CL cs.LG
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
Post Persona Alignment for Multi-Session Dialogue Generation
RIKEN AIP(日本理化学研究所Advanced Institute for Physical Research);The University of Tokyo(东京大学)
本文提出事后人格对齐(PPA)框架,先基于对话上下文生成通用回复,再以回复为查询检索人格记忆并精炼回复,在多会话对话生成中显著提升一致性、多样性和人格相关性。
2025-11-05 cs.CL
Personalized Dialogue Generation with Diversified Traits
Samsung R&D Institute of China - Beijing (SRC-B)(三星中国研发研究院-北京(SRC-B));Utrecht University(乌得勒支大学);Tsinghua University(清华大学)
赋予一个对话系统特定的个性特征对于提供更人性化的对话至关重要。然而,由于通过语言表达体现个性的挑战和缺乏大规模的人物角色标记的对话数据,这一研究问题还远远没有得到很好的研究。在本文中,我们研究的问题,将明确的个性特征的对话生成提供个性化的对话。为此,首先,我们构建了PersonalDialog,这是一个大规模的多轮对话数据集,包含大量说话者的各种特征。该数据集由来自847万说话者的2083万会话和5625万话语组成。每个话语都与一个扬声器相关联,该扬声器标有年龄,性别,位置,兴趣标签等特征。这个大规模的数据集不仅将促进个性化对话生成的研究,而且还将促进社会语言学或社会科学的其他研究。其次,为了研究如何在对话生成中捕获和处理个性特征,我们提出了序列到序列学习框架内的人物角色感知对话生成模型。显式的人格特质(由键-值对结构化)嵌入使用特质融合模块。在解码过程中,两种技术,即人物角色意识的注意和人物角色意识的偏见,被设计来捕获和处理特质相关的信息。实验表明,我们的模型是能够解决适当的特点,在不同的情况下。案例研究也显示了这个具有挑战性的研究问题有趣的结果。
2020-01-02 cs.CL
Revealing Persona Biases in Dialogue Systems
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)
聊天机器人和个人助理形式的对话系统正越来越多地融入人们的生活。现代对话系统可以考虑采用拟人化的人物角色,模仿社会人口统计群体,以使用户更容易接近和信任。然而,人物角色的采用可能导致偏见的采用。在本文中,我们提出了第一个大规模的研究人物角色偏见的对话系统和不同的社会阶层,性取向,种族和性别的人物角色进行分析。我们将人物角色偏见定义为反应中的有害差异(例如,不同程度的攻击性,同意有害的言论)产生的采用不同的人口角色。此外,我们引入了一个开源的框架,UnitPersonaBias,探讨和聚合人物角色偏见的对话系统。通过分析Blender和DialoGPT对话系统,我们观察到,与不使用任何人物角色相比,采用人物角色实际上可以减少有害的反应。此外,我们发现,人物角色的选择会影响所产生的反应的危害程度,因此应该在部署前进行系统的评估。我们还分析了人物角色如何对特定的人口统计数据造成不同程度的伤害。
2021-12-15 cs.CL
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
Dialogue Language Model with Large-Scale Persona Data Engineering
Hong Kong Polytechnic University(香港理工大学);AI Group, WeBank Co., Ltd(微众银行AI集团)
针对开放域对话系统人物设定一致性问题,提出PPDS系统,通过人物设定提取模型生成海量数据集、开创性增强技术解决无效偏差,并经预训练提升性能,定量与人工评估均证实其响应质量和一致性更优。
2025-02-19 cs.CL cs.HC
Training Millions of Personalized Dialogue Agents
Facebook(脸书)
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。
2018-09-06 cs.CL
"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)
提出In-Dialogue Learning (IDL)微调框架,使预训练大语言模型能利用对话历史刻画人物画像,在无需预定义画像的情况下完成个性化对话生成,并在三个数据集上取得显著提升。
2024-10-13 cs.AI cs.CL
Improvement of a dedicated model for open domain persona-aware dialogue generation
本文分析了近年来Transformer架构的一些速度和性能改进方法,主要是其在专用模型训练中的应用。本文所研究的专用模型是指开放领域的人物感知对话生成模型,数据集为多轮简短对话,单个输入序列的总长度不超过105个标记。因此,本文不讨论Transformer体系结构针对长序列处理的体系结构和注意力机制方面的许多改进。实验的源代码已经开放:https://github.com/ghosthamlet/persona
2020-08-27 cs.CL
Personalizing Dialogue Agents via Meta-Learning
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。
2019-05-24 cs.AI cs.CL
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。
2020-10-06 cs.CL
Generate, Delete and Rewrite: A Three-Stage Framework for Improving Persona Consistency of Dialogue Generation
Harbin Institute of Technology(哈尔滨工业大学);Tencent AI Lab(腾讯人工智能实验室)
在对话中保持一致的个性对人类来说是很自然的,但对机器来说仍然是一项重要的任务。因此,基于人物角色的对话生成任务,以解决个性不一致的问题,将明确的人物角色文本到对话生成模型。尽管现有的基于人物角色的模型在生成类人反应方面取得了成功,但它们的一阶段解码框架很难避免不一致人物角色词的生成。在这项工作中,我们引入了一个三阶段的框架,采用生成-删除-重写机制,删除不一致的话,从生成的响应原型,并进一步重写它的个性一致的。我们通过人工和自动指标进行评估。在Persona-Chat数据集上的实验表明,该方法具有良好的性能。
2020-04-30 cs.CL
BoB: BERT Over BERT for Training Persona-based Dialogue Models from Limited Personalized Data
Harbin Institute of Technology(哈尔滨工业大学)
保持一致的人物角色对对话代理至关重要。虽然已经取得了巨大的进步,但有限规模的注释人物密集数据仍然是训练健壮和一致的基于人物的对话模型的障碍。在这项工作中,我们展示了如何解决的挑战,通过解开基于人物的对话生成到两个子任务与一个新的BERT-在-BERT(BOB)模型。具体来说,该模型由一个基于BERT的编码器和两个基于BERT的解码器组成,其中一个解码器用于响应生成,另一个用于一致性理解。特别地,为了从大规模非对话推理数据中学习一致性理解能力,我们以非似然方式训练第二解码器。在不同的有限数据设置下,自动和人工评估表明,该模型在响应质量和人物角色一致性方面优于强基线。
2021-06-14 cs.AI cs.CL
Learning Personas from Dialogue with Attentive Memory Networks
MIT Media Lab(麻省理工学院媒体实验室)
从对话中推断人物角色的能力可以应用于从计算叙事分析到个性化对话生成的领域。我们引入神经模型来学习角色嵌入在一个有监督的字符比喻分类任务。这些模型将来自IMDB的对话片段编码为可以捕获各种类型电影角色的表示。性能最好的模型在一组话语上使用多级注意力机制。我们还利用先验知识的形式的文本描述的不同比喻。我们应用学习的嵌入来寻找不同电影中的相似角色,并根据嵌入的分布对电影进行聚类。使用简短的会话文本作为输入,以及使用记忆从先前知识中学习的能力,表明这些方法可以应用于其他领域。
2018-10-19 cs.CL
Persona-Knowledge Dialogue Multi-Context Retrieval and Enhanced Decoding Methods
Alexa AI(Alexa人工智能);Kakao Enterprise(Kakao企业)
Persona和Knowledge双上下文开放域聊天是最近提出的一种新的对话生成任务。虽然人格面具和知识都是开放域对话的有趣背景,但两者的结合还没有得到很好的研究。在本文中,我们解决了人物知识识别和响应生成任务。我们设计了一个明智的数据增强策略,是兼容的神经问答检索模型。随着增强的数据,我们执行置换的人物角色知识评估和连续的人物角色搜索微调。此外,我们执行对话生成与各种解码技术,并说明关键要素。我们在官方指标上达到SOTA,平均接地准确率为93.99%,SacreBLEU得分为23.62。
2022-07-28 cs.CL cs.IR
Partner Personas Generation for Diverse Dialogue Generation
The Chinese University of Hong Kong(香港中文大学)
描述人物角色信息允许在对话响应生成中进行多样化和引人入胜的响应。不幸的是,以前的作品主要集中在自我人物角色上,而忽略了伙伴人物角色的价值。此外,在实际应用中,真实合作伙伴角色的可用性往往不是这样。本文试图解决这些问题,提供了一个新的框架,利用自动合作伙伴人物角色生成,以提高后续的对话生成。我们将强化学习与专门设计的评论家网络结合起来进行奖励判断。自动和人工评估的实验结果表明:a)我们的框架能够生成相关的,信息丰富的和连贯的合作伙伴人物角色,即使与地面真实的合作伙伴人物角色相比。b)生成的合作伙伴人物角色增强了后续的响应生成,从而超过了我们的基线和比较模型,当合作伙伴人物角色在推理阶段丢失时。c)我们的框架在推理过程中产生的反应比我们以地面真相伙伴人物角色为条件的基线更具信息性和吸引力。d)我们专门设计的评论家网络有效地加强了我们的框架。最后,我们的框架提供了更好的可解释性,并减少了对合作伙伴角色的外部数据库的需求。
2021-11-27 cs.CL
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)
针对叙事系统中人物画像存在偏见的问题,本文提出UPCS框架,将角色描述划分为八个维度并融入偏见缓解策略,在准确性、多样性、偏见消除和用户满意度上取得显著提升。
2025-01-01 cs.CL
When Crowd Meets Persona: Creating a Large-Scale Open-Domain Persona Dialogue Corpus
DeepNatural AI(深自然人工智能)
本研究解决了构建大规模开放域人格对话语料库的隐私与真实性问题,提出由固定人格演员与不特定用户端众包工人共同参与对话的数据创建方法。
2023-04-01 cs.CL
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)
保持一致的人物角色对于构建类似人类的对话模型至关重要。然而,缺乏对合作伙伴的关注使模型更加以自我为中心:他们倾向于通过各种手段来展示自己的角色,例如僵硬地扭曲话题,不顾自己的利益,漫无边际地谈论自己的角色,对合作伙伴几乎没有好奇心。在这项工作中,我们提出了COSPLAY(概念集引导的PersonaLized对话生成跨双方人物角色),认为双方作为一个“团队”:表达自我的角色,同时保持对合作伙伴的好奇心,领导围绕相互的人物角色的反应,并找到共同点。具体来说,我们首先在概念集中表示自我角色、伙伴角色和相互对话。然后,我们提出了概念集框架与一套知识增强的操作来处理它们,如集代数,集扩展,集距离。以这些操作为媒介,我们通过利用1)双方人物角色的概念,2)它们之间的概念关系,3)它们与未来对话的关系来训练模型。在大型公共数据集Persona-Chat上进行的大量实验表明,我们的模型在自动和人工评估中生成更少以自我为中心,更人性化和更高质量的响应方面优于最先进的基线。
2022-05-15 cs.CL
MoCoRP: Modeling Consistent Relations between Persona and Response for Persona-based Dialogue
MoCoRP通过显式建模人设与回应之间的一致性关系,提升基于人设的对话生成质量与一致性。
2025-12-08 cs.AI cs.CL
PersonaPKT: Building Personalized Dialogue Agents via Parameter-efficient Knowledge Transfer
University of Colorado Boulder(科罗拉多大学博尔德分校);Amazon Alexa(亚马逊Alexa)
针对个性化对话智能体依赖明确人设描述的隐私与可用性瓶颈,提出轻量迁移方法PersonaPKT,用连续向量表示人设,仅新增不足0.1%参数即可从少量对话学习隐含人设特征,兼顾人设一致性、回复质量与隐私保护。
2023-06-13 cs.AI cs.CL
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)
本文提出基于人设自适应注意力(PAA)的对话生成框架,通过自适应整合上下文与人设权重并应用动态掩码机制,在低资源下表现优异。
2024-01-10 cs.CL
Exploring Personality-Aware Interactions in Salesperson Dialogue Agents
National Taiwan University(台湾大学)
本研究通过大规模测试,基于MBTI人格类型评估销售对话代理的交互质量与性能,揭示人格对交互动态和任务完成率的影响,并发布通用用户模拟器以支持个性化对话系统研究。
2025-04-25 cs.AI cs.CL
Enhancing Persona Classification in Dialogue Systems: A Graph Neural Network Approach
HSE(高等经济大学)
本研究提出一种结合文本嵌入与图神经网络的角色分类框架,并创建人工标注数据集,实验证明该方法尤其在数据有限时显著提升分类性能。
2024-12-17 cs.CL
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)
本文提出PicPersona-TOD数据集,利用用户图像作为人设,结合第一印象、策略引导和外部知识,实现任务型对话中的个性化回复,并引入NLG模型Pictor,在未见领域表现稳健。
2025-04-24 cs.CL
When Harry Meets Superman: The Role of The Interlocutor in Persona-Based Dialogue Generation
Fondazione Bruno Kessler(布鲁诺·科塞勒基金会);University of Trento(特伦托大学);University of Groningen(格罗宁根大学)
本研究探讨了对话者人设信息对基于人设的对话生成的影响,通过作者识别任务评估模型在双人设对齐、熟悉度鲁棒性及微调上的表现,发现获取对话者人设能提升识别效果,但模型在处理不熟悉对话者时仍有困难。
2025-05-30 cs.CL
Controlling and Assessing Appropriate Persona Use in LLM-based Dialogue Generation
UNIST(韩国蔚山科学技术院);POSTECH(浦项科技大学);POSCO Holdings Inc.(浦项控股公司)
本研究针对LLM对话生成中角色过度使用问题,分析其偏差原因,提出SCONPOS方法与PAS指标,有效缓解角色过度使用并评估其恰当性。
2026-09-07 cs.CL
Generating Persona Consistent Dialogues by Exploiting Natural Language Inference
Research Center for Social Computing and Information Retrieval(社会计算与信息检索研究中心);Harbin Institute of Technology(哈尔滨工业大学)
一致性是对话代理人面临的主要挑战之一。一个类人的对话代理不仅应该自然地响应,而且还应该保持一致的角色。在本文中,我们利用自然语言推理(NLI)技术的优势,以解决生成人物角色一致性对话的问题。不同于现有的工作,重新排序检索到的响应通过NLI模型,我们投任务作为一个强化学习问题,并建议利用NLI信号从响应人物对作为奖励的对话生成过程。具体来说,我们的生成器采用了基于注意力的编码器-解码器来生成基于角色的响应。我们的评估器由两部分组成:一个adversarially训练的自然度模块和一个基于NLI的一致性模块。此外,我们使用另一个表现良好的NLI模型中的人物角色一致性的评价。对人工和自动度量的实验结果,包括基于模型的一致性评价,表明所提出的方法优于强大的生成基线,特别是在生成的响应的人物一致性。
2021-03-22 cs.AI cs.CL
PK-ICR: Persona-Knowledge Interactive Context Retrieval for Grounded Dialogue
针对多上下文扎根对话中联合识别角色设定与知识的问题,提出可同时利用全部对话上下文、基于神经问答检索的低计算量方法PK-ICR,并设计零正例排序测试评估难负例排序性能。
2024-08-11 cs.CL cs.IR
Generating Personalized Dialogue via Multi-Task Meta-Learning
Nanyang Technological University(南洋理工大学);Institute for Infocomm Research A*STAR(新加坡科技研究局资讯通信研究院)
个性化对话生成的传统方法通常需要大的语料库以及预定义的人物信息。然而,在现实世界的设置中,既没有一个大的语料库的训练数据,也没有人物信息是现成的。为了解决这些实际限制,我们提出了一种新的多任务元学习方法,该方法涉及训练模型以适应新的人物角色,而不依赖于大型语料库或任何预定义的人物角色信息。相反,该模型的任务是仅基于对话上下文生成个性化的响应。与以前的工作不同,我们的方法只在训练过程中通过引入辅助人物角色重建任务来利用所提供的人物角色信息。在本文中,我们介绍了两个框架,采用所提出的多任务元学习方法:多任务元学习(MTML)框架,和交替多任务元学习(AMTML)框架。实验结果表明,利用MTML和AMTML的结果与更大的人物角色一致性的对话响应。
2021-08-07 cs.AI cs.CL
A Model-Agnostic Data Manipulation Method for Persona-based Dialogue Generation
The University of Sydney(悉尼大学);Tencent AI Lab(腾讯人工智能实验室);Eindhoven University of Technology(埃因霍温理工大学);JD Explore Academy(京东探索研究院)
为了建立智能对话代理,在生成模型中引入明确的人物角色越来越有兴趣。然而,在手头有限的基于人物的对话数据的情况下,可能难以很好地训练对话生成模型。我们指出,这一生成任务的数据挑战在于两个方面:首先,扩大当前基于人物角色的对话数据集是昂贵的;其次,这个任务中的每个数据样本比传统的对话数据更复杂。为了缓解上述数据问题,我们提出了一种数据操作方法,这是模型不可知的,可以与任何基于人物角色的对话生成模型打包,以提高其性能。原始训练样本将首先被提取,因此预计更容易拟合。接下来,我们展示了各种有效的方法,可以使这些更容易提取的数据多样化。然后将通过构建的数据课程训练给定的基础模型,即首先在增强的提取样本上训练,然后在原始样本上训练。实验表明,我们的方法的优越性与两个强基对话模型(Transformer编码器-解码器和GPT 2)。
2022-04-21 cs.AI cs.CL
Persona-Guided LLM Agents for Task-Oriented Dialogue
University of Kentucky(肯塔基大学)
该研究构建无需训练的框架,通过三种情境评估多模型在SGD数据集上的表现,发现适应用户人格存在权衡,Try情境的线索式适应可更可靠实现感知人格的任务型对话。
2026-11-04 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
An Adversarial Learning Framework For A Persona-Based Multi-Turn Dialogue Model
Capital One Conversation Research(第一资本对话研究部)
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。
2019-06-26 cs.CL cs.LG stat.ML
Generating Diverse Personas for User Simulators to Test Interview Dialogue Systems
C4A Research Institute, Inc.(C4A研究所);SANKEN, University of Osaka(大阪大学SANKEN研究所);Musashi University(武藏野大学)
针对面试对话系统测试人力成本高的问题,提出用大语言模型自动生成带沟通风格人格特质的多样化角色的用户模拟器,实验显示其生成话语的变化性更大。
2026-08-21 cs.CL cs.HC
Are Personalized Stochastic Parrots More Dangerous? Evaluating Persona Biases in Dialogue Systems
University of California, Los Angeles(加州大学洛杉矶分校);Stanford University(斯坦福大学);Amazon AI(亚马逊AI)
本文提出角色偏见分类与五维评估框架,并利用 UNIVERSALPERSONA 评测四种对话模型,揭示角色设定会显著诱发有害表达与有害赞同。
2023-11-02 cs.AI cs.CL
Using Natural Language Inference to Improve Persona Extraction from Dialogue in a New Domain
Sony Group Corporation(索尼集团公司);Johns Hopkins University(约翰斯·霍普金斯大学)
本文针对人物画像抽取模型在新领域(如奇幻场景 LIGHT)中质量下降且人工标注成本高的问题,提出基于对话自然语言推理的 NLI 重排序方法,以更低的人工标注成本获得更高质量的结构化人物画像。
2024-01-12 cs.AI cs.CL
ComperDial: Commonsense Persona-grounded Dialogue Dataset and Benchmark
Sony Group Corporation(索尼集团公司);EPFL(洛桑联邦理工学院);Sony AI(索尼人工智能公司)
本文提出 ComperDial 基准,包含来自 99 个对话智能体的 10,395 个人工评分回复,并基于此设计了与人类判断更相关的自动评估指标 CPDScore,以推动开放域对话评估发展。
2024-06-17 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
A Stack-Propagation Framework for Low-Resource Personalized Dialogue Generation
Harbin Institute of Technology(哈尔滨工业大学)
针对个性化对话数据稀缺问题,本文提出堆叠一个 Transformer 编码器与两个解码器的栈传播框架,以一致性理解正则化回复生成,在低资源设置下提升回复质量与角色一致性。
2024-10-26 cs.AI cs.CL
Building Persona Consistent Dialogue Agents with Offline Reinforcement Learning
Columbia University(哥伦比亚大学)
针对开放域对话系统人格不一致问题,提出离线强化学习框架,结合监督学习与RL优势,并引入VaRMI重要性采样降低方差,实验证明提升人格一致性与对话质量。
2023-10-16 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
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
HyPE: Category-Aware Hypergraph Encoding with Persistent Edge Embeddings for Persona-Grounded Dialogue
Sungkyunkwan University(成均馆大学)
提出HyPE框架,通过将人物角色文本解析为四元组并构建超图,利用HyperGCN和持久边嵌入(PEE)编码高阶关系,在PersonaChat上优于句子级池化基线。
2026-06-12 cs.CL
Learning to Memorize Entailment and Discourse Relations for Persona-Consistent Dialogues
Yunnan University(云南大学);Yuan Ze University(元智大学)
保持参与和一致性在对话系统中尤为重要。现有的工作通过有意识地学习具有复杂网络结构的对话者角色来提高对话系统的性能。这种方法的一个问题是它需要更多带有注释的个人语料库。此外,这些模型通常执行下一个话语预测以生成响应,但忽略了整个会话中的话语连贯性。为了解决这些问题,本研究提出了一种学习记忆蕴涵和话语关系的方法,用于人物角色一致的对话任务。利用自然语言推理数据集中的蕴涵文本对,通过前提-假设生成任务,学习隐含蕴涵关系作为外部记忆。此外,具有类似结构的内部存储器被应用于对话中的话语信息。在这两个存储空间上放置正交性限制确保了潜在蕴涵关系保持对话独立。这两种记忆合作,以获得蕴涵和话语表征的一代,允许更深入的理解一致性和连贯性。在PersonaChat和DSTC 7-AVSD两个大型公共数据集上的实验证明了该方法的有效性。自动和人类的评价表明,该模型优于几个强大的基线方面的人物角色的一致性和响应的一致性。我们的源代码可以在https://github.com/Chenrj233/LMEDR上找到。
2023-02-25 cs.AI cs.CL
Federated Natural Language Generation for Personalized Dialogue System
University of California, Santa Barbara(加州大学圣塔芭芭拉分校);Tencent(腾讯);Carnegie Mellon University(卡内基梅隆大学)
神经会话模型长期以来一直存在不一致和缺乏连贯个性的问题。为了解决这个问题,基于人物的模型捕捉个人特征已经提出,但他们仍然面临着模型适应性和数据隐私的困境。为了打破这一困境,我们提出了一种新的联邦自然语言生成(FedNLG)框架,学习个性化的表示,从各种数据集上的分布式设备,从而实现个性化的对话系统有效和安全。FedNLG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角色嵌入。该模型可以同时学习本地客户端的角色嵌入和通过联邦聚合学习共享的模型参数,达到准确性和隐私性的平衡。通过大量的实验,我们通过在Cornell Movie-Dialogs语料库上对模型进行预训练和在两个电视剧数据集上对模型进行微调来证明我们的模型的有效性。
2021-10-13 cs.AI cs.CL
Personalizing Dialogue Agents: I have a dog, do you have pets too?
Montreal Institute for Learning Algorithms, MILA(蒙特利尔学习算法研究所(MILA));Facebook AI Research(脸书人工智能研究院)
闲聊模式有几个问题:他们缺乏特异性,没有表现出一致的个性,而且往往不是很迷人。在这项工作中,我们提出的任务,使闲聊更吸引人的条件配置文件信息。我们收集数据并训练模型,以(i)根据其给定的简档信息进行调节;以及(ii)关于他们正在与之交谈的人的信息,从而改善对话,如通过下一个话语预测所测量的。由于(ii)最初是未知的,我们的模型经过训练,使其合作伙伴参与个人话题,我们表明由此产生的对话可以用来预测对话者的个人资料信息。
2018-09-25 cs.AI cs.CL