本文提出了一种新的框架，通过两个步骤查询知识库以提高生成的实体的一致性，第一步是使用 KB 检索组件检索最相关的 KB 行，以过滤 Seq2Seq 响应生成模型中的无关实体，第二步则进一步执行关注机制以解决相关的 KB 列。两种方法被提出来使训练可行，包括远程监控和 Gumbel-Softmax 技术。在两个公共数据集上进行的实验表明，我们的模型通过优于基准系统，在生成一致实体响应方面具有较好的效果。

Sep, 2019

我们提出了一种新颖的基于 AI 的聊天机器人学习模式，用户通过与教师机器人的对话获取信息和知识。我们的系统使用了一种新型加强自我对话模式，在不同领域之间实现知识传递和关注用户的对话。我们在三个大型公共数据语料库上进行了广泛的主客观评估，证明了我们的系统在传递知识和关注用户方面的有效性，帮助用户在不阅读文章的情况下大大提高知识水平。

May, 2022

本文提出了如何在没有知识库查询注释的情况下，使用强化学习和管道方法来训练任务导向型对话系统，并解决了相关问题，并通过分析强化学习算法的相关性和差异，突出了训练任务导向型对话系统的挑战。

Apr, 2020

论文利用基于余弦相似度的滤波技术以及辅助损失函数构建了一个新的关于任务导向型对话系统和知识库之间的信息筛选模型，并提出了一个解决现有实体 F1 指标正确性问题的新指标 multiset entity F1。实验结果表明该模型比现有的最先进模型表现更好。

Sep, 2021

通过使用查询产生器从动态信息检索引擎检索知识，为聊天机器人生成响应的对话模型中，基于廉价噪声监督的训练算法用于产生查询，调整查询生成器而无需人为标注黄金查询，取得了不错的检索效果，大大提高了聊天机器人响应的质量。

Feb, 2023

本文介绍了一种使用新的键 - 值检索机制来有效维持基于知识库的多领域对话的神经对话代理，该代理在三个不同任务的对话中都表现良好，并在自动评估和人类评估指标上显著优于竞争规则系统和现有的神经对话体系结构。

May, 2017

本文介绍了设计搜索代理的成功步骤，通过机器学习元策略来迭代查询精细化。文章提出了一种新颖的方法，使用机器阅读辅助挑选查询结果的精炼术语，使代理能够通过简单而有效的搜索操作对查询和搜索结果进行细粒度和透明的控制。通过自主学习，利用基于 Transformer 的语言模型来生成综合搜索会话，并介绍了一种强化学习代理，其具有动态限制的动作，可以从零开始学习交互式搜索策略。我们的搜索代理只使用传统的基于词项的 BM25 排名函数和可解释的离散筛选和筛选操作，即可达到与最新的神经方法相当的检索和答案质量性能。

Sep, 2021

使用强化学习方法解决基于法律知识库的多轮问答中输入问题含糊不清的问题，测试结果证明了该方法的有效性。

Jan, 2024

我们开发了一个人工智能代理，通过与其他代理进行对话来积极增加其知识库，并通过识别新的集成信念周围的图模式来生成对话响应，我们展示了在交互中可以使用强化学习来学习选择有效的图形模式，而无需依赖明确的用户反馈，并在这一背景下，我们的研究证明了利用用户作为信息来源的可行性。

Jun, 2024

本文提出了一种面向聊天机器人的通用知识学习引擎 LiLi，旨在使他们在对话过程中不断交互学习新知识和进行推理，将聊天机器人的应用范围进一步扩展。经过实验证明，本文所提出的 LiLi 技术是相当可行的。

Feb, 2018