https://arxiv.org/ftp/arxiv/papers/1905/1905.01984.pdf

IV.A. Personalized Dialogue Systems

入门

[24]《A persona-based neural conversation model》
Jiwei Li 首次引入
[20]《Exploring Personalized Neural Conversational Models》
扩展之前的的模型，同样使用用户特征表示向量。
与分层循环Encoder-Decoder结构结合，可以更好的捕捉上下文相关信息。
考虑用户人格特征，生成更多高质量对话内容

缺乏带有用户个性的对话数据集

[30]《Multi-task learning for speaker-role adaptation in neural conversation models》
该论文应用多任务学习机制。先用少量数据训练回复生成模型(reply generation model)，然后用非对话数据训练autoencoder模型。两个模型的参数通过多任务学习机制共享。
[38]《Personalizing a dialogue system with transfer reinforcement learning》
[65]《Personalized response generation via domain adaptation》
迁移学习。训练大规模通用数据及来生成通用回复，然后使用少量个性对话数据来微调模型。

考虑到不同用户性格对回复内容的影响

[46]《Assigning Personality/Profile to a Chatting Machine for Coherent Conversation》
用监督机制判断何时在回复生成过程中表达合适的用户画像。
[28]《Content-Oriented User Modeling for Personalized Response Ranking in Chatbot》
建立两分支神经网络(two-branch neural network)来自动从用户对话中学习用户画像，随后该DNN用来更深入的学习用户query、reply、profile的融合表示

task-oriented(之前全是chatbot)

[18]《Personalization in goal-oriented dialog》
包含用户个性信息的任务向对话系统数据集
[31]《Learning personalized end-to-end goal-oriented dialog》
使用RNN memory network的变种。用 Profile Model编码用户个性信息，Preference Model解决不同用户的同一个query的歧义问题。同时保存用户的对话历史。通过结合同一用户的对话历史和用户个性特征信息，生成对不同用户的个性化回复