ACL23 User相关论文（主会+findings）

看了一些ACL23主会和findings的论文，主会论文整体质量肯定比findings好，但是对于个别质量还不错的findings论文，感觉是因为运气不好才没上主会

主会

Generating User-Engaging News Headlines

Pengshan Cai, Kaiqiang Song, Sangwoo Cho, Hongwei Wang, Xiaoyang Wang, hong yu, Fei Liu and Dong Yu
https://aclanthology.org/2023.acl-long.183.pdf

新闻文章标题的选择可能多种多样，而在传达基本信息和吸引读者注意力之间找到合适的平衡对于有效的标题至关重要。然而，向所有读者呈现相同的新闻标题并不是最佳策略，因为它没有考虑到不同读者的不同喜好和兴趣。这可能会让读者困惑，不理解为什么会向他们推荐特定文章，也无法看出他们的兴趣与被推荐的文章之间存在明显的联系。在本文中，我们提出了一个新颖的框架，通过引入用户画像来生成个性化的新闻标题，并结合自动化和人工评估方法来确定用户对个性化标题的偏好。我们的框架利用可学习的相关性函数，根据用户的阅读历史为他们分配个性化的标志性短语，然后使用这些标志性短语来个性化生成新闻标题。通过广泛的评估，我们证明了我们提出的框架在生成满足多样化读者需求的个性化新闻标题方面的有效性。我们的框架有潜力提高新闻推荐的效果，并促进个性化内容的创作。

Schema-Guided User Satisfaction Modeling for Task-Oriented Dialogues

Yue Feng, Yunlong Jiao, Animesh Prasad, Nikolaos Aletras, Emine Yilmaz and Gabriella Kazai
https://aclanthology.org/2023.acl-long.116.pdf

用户满意度建模（USM）是任务导向对话系统评估的常用选择之一，其中用户满意度通常取决于系统是否实现了用户的任务目标。任务导向对话系统使用任务模式，这是一组任务属性，用于编码用户的任务目标。现有的关于USM的研究忽略了使用任务模式明确建模用户的任务目标实现程度。在本文中，我们提出了SG-USM，一种新颖的基于模式引导的用户满意度建模框架。它明确地建模了用户关于任务属性的偏好在多大程度上被系统实现，以预测用户的满意度水平。SG-USM采用预训练语言模型来编码对话上下文和任务属性。此外，它采用一个履行表示层来学习对话中有多少个任务属性已被实现，采用一个重要性预测器组件来计算任务属性的重要性。最后，它基于任务属性的实现和任务属性的重要性来预测用户满意度。在基准数据集上的实验结果（即MWOZ、SGD、ReDial和JDDC）显示，SG-USM在多个现有竞争方法上表现出色。我们的广泛分析表明，SG-USM可以提高用户满意度建模的可解释性，具有良好的可扩展性，因为它可以有效处理未见过的任务，并且可以通过利用未标记数据在资源有限的环境中有效工作。

One Cannot Stand for Everyone! Leveraging Multiple User Simulators\ to train Task-oriented Dialogue Systems

Yajiao LIU, Xin Jiang, Yichun Yin, Yasheng Wang, Fei Mi, Qun Liu, Xiang Wan and Benyou Wang
https://aclanthology.org/2023.acl-long.1.pdf

用户模拟器是设计用来模仿人类用户的代理程序；最近的进展发现，针对用户模拟器优化的任务导向对话（ToD）系统可能更好地满足人类用户的需求。然