本文提出了一种优化现有数据驱动的神经信念跟踪（NBT）对话状态跟踪（DST）框架的方法，该方法使用两个不同的统计更新机制替换手工制作的信仰状态更新机制和基于规则的模块，从而实现非常少的额外模型参数的对话动态建模，从而提供了一种用于构建资源轻量级 DST 模型的强大框架。在三种不同语言的 DST 评估中，我们证明了这种模型的竞争性能。

May, 2018

本文提出了一种新颖的端到端可训练的神经网络模型，用于处理任务导向的对话系统，该模型将对话状态、API 调用和结构化的知识库查询结果相结合，以成功完成任务导向的对话，并且能够以联合学习为基础，更好地处理对话历史，生成结构良好的系统响应。在餐厅搜索领域的实验结果表明，相比先前的端到端可训练的神经网络模型，我们提出的模型在适当的系统响应生成方面表现更为卓越。

Aug, 2017

StateNet 是一种通用的对话状态跟踪器，它独立于值的数量，共享所有插槽的参数，并使用预训练的词向量而不是明确的语义字典来解决当前方法在大型对话域上难以扩展的挑战，并且在两个数据集上的实验显示，我们的方法不仅克服了这些限制，而且还显著优于最先进的方法的性能。

Oct, 2018

本研究旨在通过预训练源语言状态追踪器为教师并将其知识传递到目标语言的学生状态追踪器以实现跨语言支持。使用双语语料库或双语字典作为基础，设计不同的转移学习策略以实现任务导向的对话系统。在英语状态跟踪器为教师的情况下，将其知识传递到意大利语和德语跟踪器中，取得了很好的实验效果。

Aug, 2018

该论文研究对话状态跟踪，提出通过跨域对话数据训练一般化信念跟踪模型，使用域外数据初始化跨域信念跟踪模型的训练流程，提高了信念跟踪的性能。

Jun, 2015

本研究通过利用注意力机制为基础的神经网络，将对话状态跟踪任务转化为阅读理解问答，利用上下文意义理解对话中不同语境中槽位词语的指代，通过利用上下文单词嵌入的最新进展，并将方法与传统的联合状态跟踪方法相结合，得到了比当前最新技术提高 11.75% 的检测精度。

Aug, 2019

我们探讨了基于任务导向的对话系统的对话信念状态跟踪（DST）问题。通过以 Prompt 为基础进行少样本学习，我们证明了 Prompt-based 方法在 DST 的 Few-shot 学习中具有潜在的潜力，并提供了未来改进的方向。

Apr, 2022

本文提出了一种混合会话状态跟踪器，使用可训练口语理解（SLU）来为插槽填充对话系统增强。在模块化结构中，我们通过可微分规则扩展了一些部分，以允许端到端训练，从而使我们的跟踪器可以更好地进行泛化。在 DSTC2 数据集上进行评估，我们的混合跟踪器在 DSTC2 中的四个类别中有三个类别的性能都优于现有的技术，是当前最好的方法之一。

Feb, 2017

提出一种称为断点建模的表示学习框架，使自然语言理解模型通过中间文本点跟踪它们的信念，通过实验表明，与传统表示学习方法相比，基于 T5 的主要断点转换器在处理效率、预测准确性和一致性方面有利，并且可以在不对应 QA 结束任务产生最小或没有影响的情况下，将其信仰追踪器融入到更复杂的推理管道中。

Nov, 2022

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