少即是多：学习精炼对话历史用于个性化对话生成

个性化对话系统探究生成与用户个性一致回复的问题，近年来引起广泛关注。现有个性化对话系统试图从对话历史中提取用户画像以指导个性化回复生成。由于对话历史通常冗长且含噪，多数现有方法截断对话历史以建模用户个性。此类方法可生成部分个性化回复，但大量对话历史被浪费，导致个性化回复生成的次优性能。在本工作中，我们提出在大规模上精炼用户对话历史，基于此可处理更多对话历史并获取更丰富准确的角色信息。具体而言，我们设计了一个 MSP 模型，由三个个人信息精炼器与一个个性化回复生成器组成。借助这些多级精炼器，我们可从对话历史中稀疏提取最有价值的信息（词元），并利用其他相似用户数据增强个性化。在两个真实数据集上的实验结果证明了我们的模型在生成更具信息量与个性化回复方面的优越性。