通过提出一组考核阅读理解水平的代理任务，我们测量了自然语言处理中的方法应用于推理和建立智能对话代理的长期目标，提出的任务可以通过链式事实、简单归纳、演绎等多种方式测试系统的理解能力，并为希望能够与人类对话的任何系统奠定必要的先决条件，我们相信，许多现有的学习系统目前还无法解决这些问题，我们的目标是将这些任务分类为技能集，以便研究人员可以确定并纠正他们的系统的缺陷。我们还扩展和改进了最近介绍的 Memory Networks 模型，并表明它能够解决其中的一些任务，但不是全部。

Feb, 2015

研究人员在机器学习和自然语言理解方面的不懈探索中探讨了基于对话的语言学习，发现预测前瞻是一种有前途的学习策略，并表明它可以在没有奖励监督的情况下正确地回答问题。

Apr, 2016

本文介绍一种基于神经网络的端到端可训练的目标导向对话系统，以及一种新的数据收集方法，该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统，帮助用户在餐厅搜索领域自然地交流并完成任务。

Apr, 2016

本文提出了一个测试平台，以研究在特定场景下 end-to-end 对话系统的性能，通过实验比较其与手工设计的系统的相似性及差异性。结果表明，end-to-end 系统基于记忆网络能够实现目标，但仍存在缺陷。

May, 2016

研究人工智能中的对话代理，探索深度学习技术如何提高人工对话代理水平。

Nov, 2022

本文描述了一种基于元学习的方法，通过选择性地从相关的对话任务数据中学习，使用少量的数据以及来自相关对话任务的数据来训练神经对话系统，从而显著提高了对话任务的准确性。

Oct, 2021

该研究工作关注基于目标导向的对话系统中的问题，提出了一种使用监督学习和强化学习方法的新方法，并引入了多个有效的下一个话语来评估具有更现实设置的目标导向性对话系统。通过引入多种有效的下一个话语，该文改进了原始 bAbI 对话任务，现有的端到端神经方法的表现从原始 bAbI 对话任务的 81.5% 下降到 permuted-bAbI 对话任务的 30.3%，而其提出的方法则取得了 47.3% 的准确度。

Aug, 2018

本篇论文提出了一种基于预训练的 Transformer 模型 fine-tune 的方法，使之具备在对话语境中进行逻辑推理和回答问题的能力，而无需额外的训练数据集。研究结果表明，该模型在已训练属性上能够达到 90% 以上的精度，在适当的对话语境下能够提取出适当的限制条件传递给下游组件 (e.g. 知识库)。

Feb, 2022

本研究分析了神经网络开放领域对话系统所学习的内部表示，并评估了这些表示的质量以学习基本的交谈技巧。结果表明，标准的开放领域对话系统难以回答问题、推断矛盾并确定对话话题等任务，需要更多的研究来探讨建筑和训练方法，从而更好地捕捉有关对话的高级信息。

Jun, 2020

本文概述了预训练语言模型在对话系统中的应用，目的是讨论这些模型是否能克服对话系统所面临的挑战，以及如何利用它们的架构来克服这些挑战，并探讨了对话系统领域的开放性挑战。

Apr, 2021