VALUENET: A New Dataset for Human Value Driven Dialogue System （AAAI 2022）
（1）论文提出了用于评价文本属性的10种value，以及对应的数据集和模型。具体而言，对于给定的文本，模型会产生该文本在10个属性上的得分，进而得出该文本的属性。
（2）作者在Personal-Chat和EmpatheticDialogues上做了实验，比如在Personal-Chat上， 利用（1）中的模型可以得到每个utterance和personal的属性。利用这些属性，作者尝试提升对话生成的表现，具体就不细说了。
（3）利用论文里的方法，我们应该可以实现不同属性组合的方法。
One Chatbot Per Person: Creating Personalized Chatbots based on Implicit User Profiles （SIGIR 2021）
（1） 以前的Personalized chatbots需要的是显示（explict）的personal数据（比如personal chat或者convai2），该文章从large-scale的对话历史中提取隐式（implicit）的personal profiles. 基于学到的user profile来生成personalized responses.
（2）为了强调historical responess与input post的关联，为historical post-response pairs建立了key-value memory网络。在历史记忆的基础上，基于highting historical responses来构建动态的post-aware user profile
（3）在Reddit dataset和Weibo dataset上训练，数据集的形式是对于每一个用户有特定的标记，每一个用户下有很多dialogue utterances对。
Learning Implicit User Profiles for Personalized Retrieval-BasedChatbot （CIKM 2021）
（1） 跟上文一个组的工作，还是获取隐式的user profile. 通过建模personalized language style（using the user’s historical responses）以及personalized preferences（each post-response pair ）获得。
（2）基于检索的方式，匹配符合 personalized languagestyle and personalized preference的response.上一篇则是生成的方式。
（3）数据集一模一样。
Generating Personalized Dialogue via Multi-Task Meta-Learning （PotsDial 2021）
（1）解决的问题不算新，将模型更好地adapt到新的persona上。之前已经有工作，如PAML（Persona Agnostic Meta-Learning，19年的工作）使用meta-learning来解决问题。作者指出PAML在meta-learning和inference的过程中没法使用persona statements。
（2）作者提出引入persona construction task，是得模型在meta-learning的过程中使用persona statement. 元学习的任务根据不同的persona来划分。
（3）数据集是PersonChat，评价还是那些指标。
DLVGen: A Dual Latent Variable Approach to Personalized Dialogue Generation （ICAART 2022）
（1）与上文同一个组的工作，还是解决在推理的时候没有personal statement的情况（ generate personalized dialogue givenonly the dialogue context）
（2）但在训练的时候还是会使用使用personal statement，同时为了区别于CVAE，多加了一种latent variabel，因此还加了正则化来规范化两种latent varibale.
（3）采用了Convai2数据集。
Learning to Predict Persona Information for Dialogue Personalization without Explicit Persona Description （2021.11.30）
（1） 还是考虑在测试的时候没有显示的personal information的问题，相比较之前的工作，在提取出的personal information表示的可解释性上做了工作。
（2）两种方法分别是persona approximator和persona generator，为了增强可解释性，如persona approximator会将persona encoder的输出与对persona information编码的信息比较相似度。persona generator生成显式的persona信息。
（3）当condition在self persona上时，persona decription的加入会使得response中保持流畅性和一致性。当condition在their persona时，能够增加用户的参与感。
（4）数据集是persona chat和dailydialog chat，为了测试模型的可迁移性，在persona上pretrain后，在dailydialog上finetune
Federated Natural Language Generation for Personalized Dialogue System （2021.10.13 投了AAAI 2022，但应该没中）
（1）提出persona information的data privacy的问题，并将联邦学习框架结合对话生成来解决safe personalized services的问题。
（2）使用的数据集包括Cornell Movie-Dialogs（contains a large metadata-rich collection of fictional conversations extracted from raw movie scripts）
数据集描述：
以及The Big Bang Theory dataset 和 Friends dataset
Call for Customized Conversation : Customized Conversation Grounding Persona and Knowledge
（1）作者希望解决的问题，希望基于knowledge的模型在给出knowledge-groubded的回答时能够根据用户的personal information. 具体说来，在给素食者提供餐馆的时候，需要考虑对方的素食的persona. 但之前的数据集显然并不能既有persona information又具有knowledge.
（2）因此，作者提出了新的数据集FoCus，支持knowledge-grounded answers that reflect user’s persona. 在数据集上还提了baseline.
（3）FoCus数据集，Persona由5个sentence定义（experience,preference, possession, hobby or interest）以及knowledge构成
Dual Task Framework for Improving Persona-grounded Dialogue Dataset （AAAI 2022）
（1）之前的personal dialogue generation模型主要是从模型的角度出发，作者从persona dataset数据集本身出发，之前数据集中的persona information缺少detailed experiance以及knowledge. 之前的person information存在不少linguistic biases，比如persona discription的reuse等。
（2）作者提出了对偶任务框架，用来生成相关的persona来提升数据集。
Transferable Persona-Grounded Dialogues via Grounded Minimal Edits （EMNLP 2021）
(1) 之前的受控生成在transferability存在两个困难：1. 由于标注者通常将persona或者 knowledge嵌入response，会导致grounded dialogue dataset和natural conversations之间存在distributional gap，因此训练出的模型会产生不自然的responses，并且会受dialogue history的distributional shift的影响。2. 没办法对unseen类型的concept进行泛化，比如在PERSONACHAT上训练的模型无法泛化到world knowledge上。
(2) 作者提出grounding minimal editor，在existing responses上进行操作。最小化编辑existing responses，使其ground在concept同时，和dialogue history coherent. 但当提供其他类型的concept，不会遭遇gap
(3) 作者在PERSONCHAT数据集基础上提出了PERSONAMINEDIT，用来衡量方法的有效性。
