基于常识增强的记忆构建与管理：通过上下文感知的角色细化实现长期对话

在长期对话中，记忆并利用说话者的角色设定是生成回复的常见做法。然而，人工标注的数据集往往提供信息量不足的角色语句，这阻碍了回复质量的提升。本文提出了一种新颖的框架，利用基于常识的角色扩展来解决长期对话中的此类问题。先前的工作侧重于不产生相互矛盾的角色，而我们则专注于通过基于上下文背景和设计好的策略来细化这些矛盾的角色，将其转化为包含丰富说话者信息的语句。作为多会话场景下角色扩展的先驱，我们的框架通过类似人类的角色细化，促进了更优的回复生成。我们工作的补充视频可在 https://caffeine-15bbf.web.app/ 获取。