通过数据增强和异构对话图网络提升对话中的人格识别
内容提要
该文综述个性化对话生成研究，涵盖基于键值对的特征融合模块与对话者关注、偏置机制，PersonalDialog数据集的构建，以及个性化数据集与自动人格识别、异构图情感对话生成、检索到预测范式解决OOP问题、数据中心方法提升Persona-Chat准确率、条件变分推理人格建模、神经网络人设推理、社交媒体多模块回复生成、人物角色一致性模型和数据增强问答检索等成果。
延伸解读
人格识别从单轮走向多轮对话的挑战
文章指出，2019年构建的PersonalDialog数据集包含海量讲话者的多轮对话，并采用预训练语境嵌入和注意力神经网络探索自动人格识别。比较两种数据集后发现，在多方对话中建模人格面临独特挑战，例如说话者特征混杂、上下文依赖强。这提示读者，人格识别并非简单分类任务，多轮场景需要更精细的说话者建模。
数据增强与数据中心方法对性能的显著提升
文章提到，2022年一种数据中心方法通过利用预测对话响应与个人资料之间联系的原始-对偶结构，增强相关人物角色并修复基准数据集注释问题。在Persona-Chat上，该方法比预训练语言模型准确率高出11.7个百分点。另一项工作通过数据增强策略和神经问答检索模型，在Persona-Knowledge任务上取得93.99%的平均重合度和23.62分的SacreBLEU。这表明数据质量与增强策略对个性化对话系统效果影响显著。
多模态与异构图融合拓展情感对话生成
2020年提出的基于异构图模型的情感对话生成方法，利用对话历史、情感流、面部表情、音频和说话人个性等多维信息编码对话内容，并生成适当情感的响应。实验表明该方法能有效感知多源知识并生成令人满意的响应。这显示人格识别不仅服务于文本一致性，还可与情感、语音等多模态信号结合，提升对话系统的整体表现。
Q&A
有哪些方法可以提升对话中的人格识别效果？
文章提到多种方法：基于键值对的嵌入式特征融合模块和对话者关注/偏置机制；使用预训练语境嵌入和注意力神经网络进行自动人格识别；基于异构图模型融合对话历史、情感流、面部表情、音频和说话人个性等多维信息；数据中心方法通过原始-对偶结构增强人物角色并修复注释问题，在Persona-Chat上比预训练LM准确率高11.7个百分点；基于条件变分推理建立用户潜在人格模型；以及数据增强策略结合神经问答检索模型。
PersonalDialog数据集是什么？它有什么特点？
PersonalDialog数据集是本文构建的一个个性化对话数据集，包含来自海量讲话者的具有不同特征的大量多轮对话。它是首个基于对话的个性化数据集，用于研究将个性特征应用于对话生成。
什么是个性化聊天机器人中的OOP问题？如何解决？
OOP问题指个性化聊天机器人中的一种问题（原文未具体解释）。文章提出一种新的检索到预测范例来解决该问题，并通过采用实际人物进行后验转换来进一步缓解训练和推理之间的差距。在IT-ConvAI2和ConvAI2上的实验表明，该模型在自动指标和人类评估方面都取得了可观的改进。
如何利用数据增强提升Persona-Chat上的对话准确率？
文章介绍了一种简单而有效的数据中心方法：利用针对两个任务的原始-对偶结构（预测对话响应和个人资料之间的联系），增强相关人物角色以改进对话数据集/代理，并修复基准数据集的注释问题。在Persona-Chat上的实验表明，该方法在准确性上比预训练LM高出11.7个百分点。此外，还有研究通过设计数据增强策略，运用神经问答检索模型处理Persona-Knowledge任务，取得了93.99%的平均重合度和23.62分的SacreBLEU分数。
基于异构图模型的情感对话生成方法是如何工作的？
该方法利用对话历史记录、情感流、面部表情、音频和说话人个性等多维信息来编码对话内容，并生成适当情感的响应。实验结果表明，该方法可以有效地感知多源知识并生成令人满意的响应。
如何通过条件变分推理对用户人格进行建模以生成个性化对话？
文章提出一种基于用户人格检测的个性化对话生成器，使用条件变分推理建立用户潜在人格模型，并利用后验鉴别正则化提高训练效果。实证研究表明，该方法比现有技术更能关注用户人格并提升对话品质。
