論文の概要: MoCoRP: Modeling Consistent Relations between Persona and Response for Persona-based Dialogue

• arxiv url: http://arxiv.org/abs/2512.07544v1
• Date: Mon, 08 Dec 2025 13:25:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.906847
• Title: MoCoRP: Modeling Consistent Relations between Persona and Response for Persona-based Dialogue
• Title（参考訳）: MoCoRP: 対人対話における対人関係のモデル化
• Authors: Kyungro Lee, Dongha Choi, Hyunju Lee,
• Abstract要約: ペルソナベースの対話における鍵となる課題は、エンゲージメントとコンテキスト固有の対話を生成することである。 既存のペルソナに基づく対話データセットは、ペルソナの文と応答の間に明確な関係を欠いている。 言語モデルに明示的な関係を組み込んだフレームワークであるMoCoRPを提案する。
• 参考スコア（独自算出の注目度）: 6.5336922543064055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As dialogue systems become increasingly important across various domains, a key challenge in persona-based dialogue is generating engaging and context-specific interactions while ensuring the model acts with a coherent personality. However, existing persona-based dialogue datasets lack explicit relations between persona sentences and responses, which makes it difficult for models to effectively capture persona information. To address these issues, we propose MoCoRP (Modeling Consistent Relations between Persona and Response), a framework that incorporates explicit relations into language models. MoCoRP leverages an NLI expert to explicitly extract the NLI relations between persona sentences and responses, enabling the model to effectively incorporate appropriate persona information from the context into its responses. We applied this framework to pre-trained models like BART and further extended it to modern large language models (LLMs) through alignment tuning. Experimental results on the public datasets ConvAI2 and MPChat demonstrate that MoCoRP outperforms existing baselines, achieving superior persona consistency and engaging, context-aware dialogue generation. Furthermore, our model not only excels in quantitative metrics but also shows significant improvements in qualitative aspects. These results highlight the effectiveness of explicitly modeling persona-response relations in persona-based dialogue. The source codes of MoCoRP are available at https://github.com/DMCB-GIST/MoCoRP.
• Abstract（参考訳）: 対話システムが様々な領域でますます重要になるにつれて、ペルソナベースの対話における重要な課題は、モデルが一貫性のある性格で振る舞うことを確実にしながら、エンゲージメントとコンテキスト固有の対話を生み出すことである。 しかし、既存のペルソナに基づく対話データセットは、ペルソナ文と応答の明確な関係を欠いているため、モデルがペルソナ情報を効果的に捉えることは困難である。 これらの問題に対処するため,言語モデルに明示的な関係を組み込んだフレームワークであるMoCoRP (Modeling Consistent Relations between Persona and Response)を提案する。 MoCoRPは、NLIの専門家を利用して、ペルソナ文と応答の間のNLI関係を明示的に抽出し、モデルがコンテキストから適切なペルソナ情報をその応答に効果的に組み込むことを可能にする。 我々は、このフレームワークをBARTのような事前訓練されたモデルに適用し、アライメントチューニングにより、より現代的な大規模言語モデル(LLM)に拡張した。 公開データセットのConvAI2とMPChatの実験結果によると、MoCoRPは既存のベースラインよりも優れており、優れたペルソナ一貫性とエンゲージメント、コンテキスト対応の対話生成を実現している。 さらに,本モデルは定量的指標に優れるだけでなく,質的側面の大幅な改善も示している。 これらの結果は,対人対話における対人関係を明示的にモデル化することの有効性を強調した。 MoCoRPのソースコードはhttps://github.com/DMCB-GIST/MoCoRPで入手できる。

関連論文リスト

• Aligning Spoken Dialogue Models from User Interactions [55.192134724622235]
  本稿では,ユーザの対話からリアルタイム会話における音声対話モデルを改善するための新しい嗜好アライメントフレームワークを提案する。 AIフィードバックを付加した生のマルチターン音声会話から15万以上の好みペアのデータセットを作成する。 本研究は, 自然なリアルタイム音声対話システムにおいて重要な, 様々な力学におけるバランスの整合性の重要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-26T16:45:20Z)
• From Persona to Person: Enhancing the Naturalness with Multiple Discourse Relations Graph Learning in Personalized Dialogue Generation [11.442761234901289]
  パーソナライズされた対話生成のためのMUDI(textbfMu$ltiple $textbfDi$scourse Relations Graph Learning)を提案する。 本研究では,対話関係のアノテートを支援し,対話データを構造化された対話グラフに変換するために,大規模言語モデルを利用する。 本実験は,人間に似た対話交換に類似した,パーソナライズされた応答の質の向上を示す。
  論文  参考訳（メタデータ） (2025-06-13T08:12:52Z)
• Dialogue Language Model with Large-Scale Persona Data Engineering [10.160626284195434]
  PPDSはオープンドメインのペルソナ対話システムであり、ペルソナの一貫性を高めるためにペルソナ対話データセットに広範囲な生成前トレーニングを利用する。 本研究では,自律的かつ高精度な対話データセット生成を目的としたペルソナ抽出モデルを提案する。 また、構築されたデータセットに固有の無効なペルソナバイアスに対処するために、先駆的なペルソナ拡張手法を公表した。
  論文  参考訳（メタデータ） (2024-12-12T07:49:06Z)
• Pre-training Multi-party Dialogue Models with Latent Discourse Inference [85.9683181507206]
  我々は、多人数対話の会話構造、すなわち、各発話が応答する相手を理解するモデルを事前訓練する。 ラベル付きデータを完全に活用するために,談話構造を潜在変数として扱い,それらを共同で推論し,談話認識モデルを事前学習することを提案する。
  論文  参考訳（メタデータ） (2023-05-24T14:06:27Z)
• Learning to Memorize Entailment and Discourse Relations for Persona-Consistent Dialogues [8.652711997920463]
  既存の作業は、高度ネットワーク構造を持つ対話者ペルソナを意図的に学習することで、対話システムの性能を改善した。 本研究は,ペルソナ一貫性のある対話課題における係り受け関係と談話関係を記憶する学習方法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T08:37:00Z)
• Dual Task Framework for Debiasing Persona-grounded Dialogue Dataset [17.403065663306567]
  我々は、ペルソナ条件の対話エージェントを改善するために、データ中心のアプローチを導入する。 具体的には,2つのタスクの原始的双対構造を活用することで,対話データセット/エージェントを改善するための関連するペルソナを強化する。 Persona-Chat の実験により,本手法は訓練済みの LM よりも精度が 11.7 ポイント向上していることが示された。
  論文  参考訳（メタデータ） (2022-02-11T04:08:46Z)
• Partner Matters! An Empirical Study on Fusing Personas for Personalized Response Selection in Retrieval-Based Chatbots [51.091235903442715]
  本稿では,自己とパートナーの話者が応答選択の課題に与える影響について検討する。 4つのペルソナ融合戦略が設計されており、異なる方法でペルソナがコンテキストや応答と相互作用することを前提としている。 Persona-Chatデータセットに関する実証研究は、パートナーペルソナが応答選択の精度を向上させることができることを示している。
  論文  参考訳（メタデータ） (2021-05-19T10:32:30Z)
• I like fish, especially dolphins: Addressing Contradictions in Dialogue Modeling [104.09033240889106]
  DialoguE Contradiction Detection Task(DECODE)と、人間とロボットの矛盾した対話の両方を含む新しい会話データセットを紹介します。 次に、事前学習したトランスフォーマーモデルを用いて、定型的非構造的アプローチと矛盾検出を行う構造的発話に基づくアプローチを比較する。
  論文  参考訳（メタデータ） (2020-12-24T18:47:49Z)
• Learning an Effective Context-Response Matching Model with Self-Supervised Tasks for Retrieval-based Dialogues [88.73739515457116]
  我々は,次のセッション予測,発話復元,不整合検出,一貫性判定を含む4つの自己教師型タスクを導入する。 我々はPLMに基づく応答選択モデルとこれらの補助タスクをマルチタスク方式で共同で訓練する。 実験結果から,提案した補助的自己教師型タスクは,多ターン応答選択において大きな改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-09-14T08:44:46Z)

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。