論文の概要: Post Persona Alignment for Multi-Session Dialogue Generation

• arxiv url: http://arxiv.org/abs/2506.11857v1
• Date: Fri, 13 Jun 2025 15:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-16 17:50:49.84083
• Title: Post Persona Alignment for Multi-Session Dialogue Generation
• Title（参考訳）: 多セッション対話生成のためのポストペルソナアライメント
• Authors: Yi-Pei Chen, Noriki Nishida, Hideki Nakayama, Yuji Matsumoto,
• Abstract要約: Post Persona Alignment (PPA)はパーソナライズされた対話生成のための新しい2段階のフレームワークである。 まず、対話コンテキストのみに基づく一般的な応答を生成し、その応答をクエリとして使用して関連するペルソナ記憶を検索し、最後に話者のペルソナと整合する応答を洗練する。 マルチセッションLPM生成対話データを用いた実験により、PPAは、一貫性、多様性、ペルソナ関連性において、従来のアプローチよりも顕著に優れていることが示された。
• 参考スコア（独自算出の注目度）: 25.115319934091282
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-session persona-based dialogue generation presents challenges in maintaining long-term consistency and generating diverse, personalized responses. While large language models (LLMs) excel in single-session dialogues, they struggle to preserve persona fidelity and conversational coherence across extended interactions. Existing methods typically retrieve persona information before response generation, which can constrain diversity and result in generic outputs. We propose Post Persona Alignment (PPA), a novel two-stage framework that reverses this process. PPA first generates a general response based solely on dialogue context, then retrieves relevant persona memories using the response as a query, and finally refines the response to align with the speaker's persona. This post-hoc alignment strategy promotes naturalness and diversity while preserving consistency and personalization. Experiments on multi-session LLM-generated dialogue data demonstrate that PPA significantly outperforms prior approaches in consistency, diversity, and persona relevance, offering a more flexible and effective paradigm for long-term personalized dialogue generation.
• Abstract（参考訳）: マルチセッションペルソナに基づく対話生成は、長期的な一貫性を維持し、多様なパーソナライズされた応答を生成する上での課題を示す。 大規模言語モデル(LLMs)はシングルセッション対話に優れるが、対話を拡張してペルソナの忠実さと会話の一貫性を維持するのに苦労する。 既存の手法は通常、応答生成の前にペルソナ情報を検索する。 本稿では,このプロセスを逆転する新しい2段階フレームワークであるPost Persona Alignment (PPA)を提案する。 PPAはまず、対話コンテキストのみに基づく一般的な応答を生成し、その応答をクエリとして使用して関連するペルソナ記憶を検索し、最後に話者のペルソナと整合する応答を洗練する。 このポストホックアライメント戦略は、一貫性とパーソナライゼーションを維持しながら自然性と多様性を促進する。 マルチセッションLPM生成対話データを用いた実験により、PPAは、一貫性、多様性、ペルソナ関連性において、より柔軟で効果的な対話生成パラダイムを提供することにより、従来のアプローチよりも大幅に優れていることが示された。

関連論文リスト

• A Personalized Conversational Benchmark: Towards Simulating Personalized Conversations [112.81207927088117]
  PersonaConvBenchは、大規模言語モデル(LLM)とのマルチターン会話におけるパーソナライズされた推論と生成を評価するためのベンチマークである。 我々は,複数の商用およびオープンソース LLM を統一的なプロンプト設定でベンチマークし,パーソナライズされた履歴を組み込むことで大幅な性能向上が得られることを観察した。
  論文  参考訳（メタデータ） (2025-05-20T09:13:22Z)
• Doing Personal LAPS: LLM-Augmented Dialogue Construction for Personalized Multi-Session Conversational Search [9.243535345193711]
  提案手法は,大規模言語モデルを用いて,個人化された対話を生成するために,一人の人間労働者を誘導する。 LAPSは大規模、人書き、マルチセッション、マルチドメインの会話を収集できる。 その結果,抽出された嗜好を用いて明示的に生成した応答は,ユーザの実際の嗜好と一致していることがわかった。
  論文  参考訳（メタデータ） (2024-05-06T13:53:03Z)
• Harmonizing Code-mixed Conversations: Personality-assisted Code-mixed Response Generation in Dialogues [28.49660948650183]
  本稿では,対話から得られた5つの人格特性を教師なしの方法で活用し,応答生成の性能を高めることを目的とした,新しいアプローチを提案する。 これは、識別されたパーソナリティが対話コンテキストにシームレスに統合された場合の応答生成タスクにおけるROUGEとBLUEスコアの上昇に顕著である。
  論文  参考訳（メタデータ） (2024-01-18T15:21:16Z)
• MPCHAT: Towards Multimodal Persona-Grounded Conversation [54.800425322314105]
  我々はペルソナに基づく対話をマルチモーダル領域に拡張し、2つの主要な貢献をする。 まず,MPCHATという対話データセットを提案する。 第2に,マルチモーダル・ペルソナを組み込んだ多モーダル・ペルソナの対話タスクが,統計的に有意な性能向上をもたらすことを実証的に示す。
  論文  参考訳（メタデータ） (2023-05-27T06:46:42Z)
• EM Pre-training for Multi-party Dialogue Response Generation [86.25289241604199]
  多人数対話では、応答発話の宛先を生成前に指定する必要がある。 本稿では,アドレナラベルを生成するための期待ステップを反復的に実行する期待最大化(EM)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-21T09:22:41Z)
• Less is More: Learning to Refine Dialogue History for Personalized Dialogue Generation [57.73547958927826]
  我々は,対話履歴をより多く処理し,より正確なペルソナ情報を得ることのできる,ユーザ対話履歴を大規模に洗練することを提案する。 具体的には、3つの個人情報精算器とパーソナライズされた応答生成器で構成されるMSPモデルを設計する。
  論文  参考訳（メタデータ） (2022-04-18T02:02:56Z)
• Dialogue History Matters! Personalized Response Selectionin Multi-turn Retrieval-based Chatbots [62.295373408415365]
  本稿では,コンテキスト応答マッチングのためのパーソナライズドハイブリッドマッチングネットワーク(phmn)を提案する。 1) ユーザ固有の対話履歴からパーソナライズされた発話行動を付加的なマッチング情報として抽出する。 ユーザ識別による2つの大規模データセット,すなわちパーソナライズされた対話 Corpus Ubuntu (P-Ubuntu) とパーソナライズされたWeiboデータセット (P-Weibo) のモデルを評価する。
  論文  参考訳（メタデータ） (2021-03-17T09:42:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。