基于对比潜变量增强个性化对话生成：结合稀疏与稠密人物画像
Enhancing Personalized Dialogue Generation with Contrastive Latent Variables: Combining Sparse and Dense Persona
AI总结：
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。
摘要：
个性化对话探索对话生成与个性之间的连贯关系。现有的个性化对话代理从三种资源中建模人物画像：稀疏或稠密的人物画像描述以及对话历史。然而，稀疏的结构化人物画像属性是显式但信息量不足的，稠密的人物画像文本包含丰富的人物画像描述但带有大量噪声，而对话历史查询在人物画像建模中既充满噪声又缺乏信息量。在这项工作中，我们结合了三种资源的优势，以获得更丰富且更准确的人物画像。我们设计了一个基于对比潜变量的模型（CLV），该模型将稠密的人物画像描述聚类为稀疏类别，这些类别与历史查询相结合以生成个性化回复。在中英文数据集上的实验结果证明了我们的模型在个性化方面的优越性。
英文摘要：
The personalized dialogue explores the consistent relationship between dialogue generation and personality. Existing personalized dialogue agents model persona profiles from three resources: sparse or dense persona descriptions and dialogue histories. However, sparse structured persona attributes are explicit but uninformative, dense persona texts contain rich persona descriptions with much noise, and dialogue history query is both noisy and uninformative for persona modeling. In this work, we combine the advantages of the three resources to obtain a richer and more accurate persona. We design a Contrastive Latent Variable-based model (CLV) that clusters the dense persona descriptions into sparse categories, which are combined with the history query to generate personalized responses. Experimental results on Chinese and English datasets demonstrate our model's superiority in personalization.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
