論文の概要: PCoKG: Personality-aware Commonsense Reasoning with Debate

• arxiv url: http://arxiv.org/abs/2601.06234v1
• Date: Fri, 09 Jan 2026 15:05:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.704794
• Title: PCoKG: Personality-aware Commonsense Reasoning with Debate
• Title（参考訳）: PCoKG:パーソナリティを意識したコモンセンスと議論
• Authors: Weijie Li, Zhongqing Wang, Guodong Zhou,
• Abstract要約: Personality-Aware Commonsense Knowledge Graph (PCoKG)は、521,316個の4倍数からなる構造化データセットである。 知識グラフ構築には,大規模言語モデルのロールプレイング機能を活用する。 我々はPCoKGをペルソナに基づく対話生成に適用し、生成した応答と参照出力との整合性の改善を示す。
• 参考スコア（独自算出の注目度）: 32.49722822521962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most commonsense reasoning models overlook the influence of personality traits, limiting their effectiveness in personalized systems such as dialogue generation. To address this limitation, we introduce the Personality-aware Commonsense Knowledge Graph (PCoKG), a structured dataset comprising 521,316 quadruples. We begin by employing three evaluators to score and filter events from the ATOMIC dataset, selecting those that are likely to elicit diverse reasoning patterns across different personality types. For knowledge graph construction, we leverage the role-playing capabilities of large language models (LLMs) to perform reasoning tasks. To enhance the quality of the generated knowledge, we incorporate a debate mechanism consisting of a proponent, an opponent, and a judge, which iteratively refines the outputs through feedback loops. We evaluate the dataset from multiple perspectives and conduct fine-tuning and ablation experiments using multiple LLM backbones to assess PCoKG's robustness and the effectiveness of its construction pipeline. Our LoRA-based fine-tuning results indicate a positive correlation between model performance and the parameter scale of the base models. Finally, we apply PCoKG to persona-based dialogue generation, where it demonstrates improved consistency between generated responses and reference outputs. This work bridges the gap between commonsense reasoning and individual cognitive differences, enabling the development of more personalized and context-aware AI systems.
• Abstract（参考訳）: ほとんどの常識推論モデルは性格特性の影響を見落とし、対話生成のようなパーソナライズされたシステムにおける有効性を制限している。 この制限に対処するために、Personality-aware Commonsense Knowledge Graph (PCoKG)を導入する。 まず、3つの評価器を用いてATOMICデータセットからイベントのスコアとフィルタリングを行い、さまざまなパーソナリティタイプにまたがる多様な推論パターンを抽出する。 知識グラフ構築には,大規模言語モデル(LLM)のロールプレイング機能を活用して推論処理を行う。 生成した知識の質を高めるため,提案者,反対者,判断者からなる議論機構を組み込んで,フィードバックループを通じて出力を反復的に洗練する。 複数の視点からデータセットを評価し,PCoKGの堅牢性と構築パイプラインの有効性を評価するために,複数のLCMバックボーンを用いた微調整およびアブレーション実験を行った。 LoRAに基づく微調整の結果は,モデル性能と基本モデルのパラメータスケールとの間に正の相関関係を示す。 最後に、PCoKGをペルソナベースの対話生成に適用し、生成した応答と参照出力との整合性の改善を示す。 この作業は、コモンセンス推論と個人の認知的差異のギャップを埋め、よりパーソナライズされ、コンテキスト対応のAIシステムの開発を可能にする。

関連論文リスト

• Kinship Data Benchmark for Multi-hop Reasoning [1.0971997884861282]
  KinshipQAは、親族関係に関する推論を通じて、その能力を調べるために設計されたベンチマークである。 私たちの研究の中心的な貢献は、オンデマンド、大規模、現実的で、文化固有の系譜データを生成する生成パイプラインです。 暗黙的な関係連鎖の推論を必要とするテキスト推論タスクを導出する。
  論文  参考訳（メタデータ） (2026-01-12T18:07:41Z)
• 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)
• Exploring the Impact of Personality Traits on Conversational Recommender Systems: A Simulation with Large Language Models [70.180385882195]
  本稿では,対話型レコメンダシステム(CRS)のためのパーソナリティを考慮したユーザシミュレーションを提案する。 ユーザエージェントはカスタマイズ可能な性格特性と嗜好を誘導し、システムエージェントはCRS内の現実的な相互作用をシミュレートする説得能力を有する。 実験により,現在最先端のLCMは,特定の性格特性に適合した多様なユーザ応答を効果的に生成できることが示された。
  論文  参考訳（メタデータ） (2025-04-09T13:21:17Z)
• Are Machines Better at Complex Reasoning? Unveiling Human-Machine Inference Gaps in Entailment Verification [41.330719056639616]
  本研究は,多文前提における係り受け検証問題について考察する。 一貫性のないモデル生成有理数の検出などの現代のNLP問題は、複雑なマルチホップ推論を必要とする。
  論文  参考訳（メタデータ） (2024-02-06T04:14:09Z)
• CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
  クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。 このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。 ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
  論文  参考訳（メタデータ） (2022-12-20T18:31:50Z)
• The drivers of online polarization: fitting models to data [0.0]
  エコーチャンバー効果と意見偏光は、情報消費における人間のバイアスや、フィードアルゴリズムによって生成されるパーソナライズされたレコメンデーションなど、いくつかの要因によって引き起こされる可能性がある。 これまでは主に意見力学モデルを用いて、分極とエコーチャンバーの出現の背後にあるメカニズムを探索してきた。 シミュレーションから得られた意見分布とソーシャルメディア上で測定した意見分布を数値的に比較する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-31T17:00:41Z)
• 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)

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。