人格编码Poly-Encoder：人格引导的多流对话句子打分

机器学习和深度学习的近期进展使得对话AI在许多实际应用中被广泛使用。然而，利用可提供对话上下文或个性化调优的辅助信息以提升对话质量仍极具挑战。例如，仅有限研究使用个体人格信息来改善对话质量，且即便最先进的对话AI技术也无法有效利用来自异构辅助数据源（如多模态交互数据、人口统计学、SDOH数据等）的信号。本文提出一种新颖的人格编码Poly-Encoder方法，在多流编码方案中利用人格信息以改善对话的回复生成质量。为展示所提方法的效能，我们在两个基于人格的对话数据集上评估该方法，并与两种最先进方法比较。实验结果与分析表明，相较基线方法Poly-Encoder，我们的方法在BLEU分数和HR@1上分别提升3.32%和2.94%。更重要的是，我们的方法为对话任务中更好地利用多模态数据提供了路径。最后，我们的研究概述了推进个性化对话AI技术的若干挑战与未来研究方向。