雑談対話システムがユーザに「また対話したい」と思わせるための方法として，特定のキャラクタらしさをシステム応答に付与する方法が考えられる．本研究は，強化学習を用いてニューラル対話生成モデルをfine-tuningすることで，特定のキャラクタらしい雑談応答を生成する対話生成モデルを提案する．Fine-tuningの際に，特定のキャラクタらしさを持つ独立した発話データのみを必要とし，対話形式のデータを必要としない点で既存研究と大きく異なる．評価実験では，被験者に提案手法による対話システムとチャットアプリ上で数ターンの対話を行ってもらった．評価実験の結果，提案手法による対話システムが，ユーザに特定のキャラクタらしさの印象を与え，「また対話したい」と思わせる効果を持つことを確認した．

近年, 人と雑談を行う非タスク指向対話システムが社会に普及してきている. 非タスク指向対話システム研究の目的の一つとして, 友人同士のようなコミュニケーションの達成がある. 友人同士のようなコミュニケーションを達成するためには, システムがユーザーに対し積極的に踏み込むような発話をする必要がある. 話者のコミュニケーション上の姿勢や対人配慮の観点でコミュニケーションについて検討した理論であるポライトネス理論において, 相手に積極的に踏む込む発話戦略はポジティブ・ポライトネス戦略と呼ばれる. ポジティブ・ポライトネス戦略に含まれる「からかい」のユーモアは, 親しさのメタメッセージという形でユーザーに親しみを感じさせ, 対話継続欲求を向上できると考える. 本研究では, 「からかい」のユーモアについて応答生成を目的としたコーパスの作成と, それを利用した分類モデルによるデータ拡張を行なった.

音声対話システムにおいてキャラクタ表現は，人間らしい対話を実現するために重要な要素である．ユーザに応じてキャラクタを使い分けることで，ユーザの対話に対する満足感が向上することが期待される．本研究では，雑談対話システムのキャラクタ表現によるユーザ適応方法を検討した．我々が提案するキャラクタ表現モデルは発話量，相槌とフィラー頻度，交替潜時の長さを制御するものである．先行研究では，ビッグファイブ尺度に対する回答結果をクラスタリングし，4種類の代表的なキャラクタが確認されている．本研究では，ユーザとシステムで上記のキャラクタの最適な組み合わせを明らかにする．被験者実験では，被験者ごとに４種類のキャラクタを設定した音声対話ロボットと雑談対話をしてもらい，各ロボットに対する印象を評価してもらった．その結果，一部の評価項目で被験者のパーソナリティとシステムのキャラクタとの間に関係性が確認された．

深層学習を利用した対話システム構築において対話データの質と量は重要である．しかし，日本語の対話コーパスは大規模なものが公開されておらず，限られたデータしかないといった問題がある．また，コーパスを用いてend-to-endに学習したモデルはありきたりで短い応答をすることが多く，生成文の多様性が少ないといった問題もある．これらの問題を克服するために，本研究では非会話文を活用して対話データを増やすことで対話モデルの多様性の向上を試みる．ここで言う非会話文とは，web上の文章や小説の台詞などの対話の形式として整えられていない文のことであり，対話データと比較して収集が容易である．逆翻訳とサンプリング生成を用いて非会話文から対話データを増やし，不適切な対話を除去するためのフィルタを通すことでより質の高いデータを獲得する．増やしたデータを加えて対話モデルを学習させた結果，生成文の多様性の向上が見られた．