我们提出了一种名为序列匹配框架（SMF）的新型匹配框架，该框架可以充分携带上下文中的重要信息，同时建模上下文中话语之间的关系，通过序列卷积网络和序列注意力网络实现，实验结果表明，这两种模型都可以显著优于现有技术，而可视化结果揭示了模型如何捕捉并利用上下文中的重要信息实现匹配。

Oct, 2017

本文提出了一种基于序列匹配模型的多轮对话响应选择算法，相比之前的模型，该模型在提升多轮对话系统中的响应选择效果方面取得了更好的表现，并在两个大规模公开数据集上均获得了最优表现。

Jan, 2019

本文提出了一种针对多轮回复选择任务的交互匹配网络，通过三个方面的词表示构建、具有注意力机制的分层循环编码器，以及全局多轮上下文和回复之间的双向交互计算，实现了在四个公共数据集上的最佳表现。

Jan, 2019

本文研究基于信息检索的跨度多轮对话系统以往语句的上下文建模的问题，提出将以前的话语通过一种深度聚合模型聚合成细粒度的上下文进行表示。实验结果表明，与现有的最先进的方法相比，该模型在三个多回合对话基准测试中表现更优秀。

Jun, 2018

提出了一种基于多任务学习的语义搜索神经网络 (Multitask-based Semantic Search Neural Network, MSSNN) 方法，该方法通过多任务实现查询 - 响应交互，并用 Seq2Seq 模型训练优秀的查询编码器，执行单词预测任务构建响应嵌入，最后进行简单的匹配模型构建点积评分器，实验手段证明了该方法的潜力。

Aug, 2022

本文提出基于图推理网络（GRN）的多轮对话检索中的响应选择方法，并探究了其在序列推理和图推理方面的表现。在两个对话推理数据集上的实验表明，该模型可以显著优于强基准方法，并可以达到接近人类水平的性能。

Dec, 2020

本文提出了一种具有双重交互匹配的匹配网络 (DIM)，用于在基于检索的聊天机器人中展示对话代理的个性。实验结果表明，DIM 模型以及其双交互匹配优于基线模型，即带有人物融合的 IMN，的精度提高 14.5％，并且在 top-1 的准确性 hits@1 方面优于当前最先进的模型。

Aug, 2019

本文提出了一种方法，可以利用未标记的数据学习匹配模型，用于检索式聊天机器人中的响应选择。该方法采用序列到序列（Seq2Seq）模型作为弱注释器来判断未标记对的匹配度，然后使用弱信号和未标记数据进行学习。两个公共数据集上的实验结果表明，当使用所提出的方法进行学习时，匹配模型得到了显着的提高。

May, 2018

本研究提出了一种基于文档匹配的网络对话模型 (DGMN)，用于支持知识感知的基于检索的聊天机器人系统，在匹配过程中，通过信息融合和层次交互，动态确定文档和上下文的关键信息，实验结果表明，该模型能够显著提高现有方法的表现，并具有良好的可解释性。

Jun, 2019

本文提出了一种新颖的神经网络架构，用于多轮对话场景下的响应选择，它应用了上下文级别的注意力和领域特定单词描述提供的额外外部知识。该架构使用双向门控循环单元进行编码，并学习在给定潜在响应表示的上下文单词之间进行关注，同时还使用另一个 GRU 来编码领域关键词描述，从而提高了相应中领域特定关键词的表示，实验结果表明，相对于所有其他最先进的方法，我们的模型在多轮对话中具有更好的响应选择性能。

Sep, 2018