在一个参考沟通任务中，我们利用模拟研究了系统在针对用户提供细致信息时的互动策略，分析了用户澄清策略对初始呈现和后续跟进之间的沟通权衡，并比较了几种基线策略和强化学习导出的策略的性能。我们发现，基于连贯性的对话策略具有令人惊讶的优势，它们需要最少的数据，可以解释选择，并具有强大的审核能力，但在各种用户模型下预测结果的损失很小。

Aug, 2023

提出了一种基于神经网络框架的分层学习方法，通过监督学习和强化学习相结合，实现了对话管理任务中的有效性以及在高噪声的情况下提高性能。

Jun, 2016

本文通过引入强化学习（RL）进行用户交互训练，实现了一个更加人性化的劝说对话系统，并成功在捐赠劝说任务中取得了优于先前最先进的对话模型的表现。

Dec, 2020

本研究基于强化学习，建立一个可生成更多交互式回复、更长且不重复的对话、更容易回答问题的聊天机器人的神经对话模型。

Jun, 2016

本研究成功应用深度强化学习 (DRL) 训练具备谈判能力的智能策略代理程序，实验表明该程序与由人工设计的规则、随机等算法相比，获胜率提高至 53%。

Nov, 2015

本文提出了一种混合式学习方法以通过在线用户交互来训练任务导向型对话系统，该方法包括强化学习和模仿学习，通过神经网络来优化并能够从用户教学中进行学习。实验结果表明，该端到端对话代理能够有效地学习并通过用户反馈了解自己的错误，并在模仿学习阶段之后应用强化学习提高完成任务的能力。

Apr, 2018

介绍了一种基于神经网络的任务导向对话系统，可以使用深度强化学习进行端到端优化，可跟踪对话状态，与知识库交互，并将查询结果整合到代理人的响应中，以成功完成任务导向对话。

Nov, 2017

本研究提出一种新的框架，可有效学习任务导向视觉对话系统的最优对话策略，并在 GuessWhich 任务中实现了最新的任务完成和对话质量表现。

Sep, 2019

本文设计了一个基于强化学习的对话策略，以有效地应对人机对话系统中应用强化学习的技术挑战，通过对一个口语对话系统的构建、实验和评估，证明该方法可以显著提高系统性能。

Jun, 2011

该论文提出了一种用于端到端学习任务导向型对话系统的模型，主要组成部分是一种递归神经网络 (LSTM)，该网络将原始对话直接映射到系统动作的概率分布中，并且可以使用有目的、强化两种不同方式的优化方法。

Jun, 2016