通过序列到序列框架，一种简单的端到端的对话模型方法被提出，在特定的领域和大规模通用领域的数据集上表现出很好的对话效果，并可用于执行常识推理任务。

Jun, 2015

本文提出了一个基于即时聊天的客户支持 (CS) 互动的框架，用于预测个体用户的推荐决策。通过分析一家拉丁美洲大型电子商务公司金融垂直领域内的 16.4k 用户和 48.7k 客户支持对话，本研究的主要贡献和目标是利用自然语言处理（NLP）来评估和预测推荐行为，在使用静态情感分析的同时利用每个用户的情感动态的预测能力。结果表明，通过信息级别的情感演变，可以完全自动化地预测用户推荐产品或服务的概率以及相关的功能解释。

Nov, 2022

本研究基于师生范式构建了一个弱监督数据集，整合粗细分类策略实现用户意图检测，实验表明，基于此方法的模块化对话系统能够以更高的成功率实现任务目标并生成更连贯的响应。

Dec, 2022

提出一种基于分层 Transformer 的框架，结合话语级别和对话级别信息捕捉精细的上下文语义，同时考虑话语结构信息和距离变形的多任务学习方案，以实现对网络对话中马车出轨的预测。

Mar, 2023

研究智能助手是否可以匹配用户的聊天意图，构建了新的数据集以及使用推特和 Web 搜索查询来处理无特定领域的用户发言，实验结果表明，使用 tweets 和 Web 搜索查询可以进一步提高智能助手的 F1 分数。

May, 2017

该研究提出了一种联合建模方法来识别口头会议中的显著讨论点，并标记发言者之间的话语关系；对于预测内容选择和话语关系，该联合模型在两个普及的会议语料库上表现出优于现有方法的结果；同时，使用基于该模型构建的特征训练分类器相较于现有技术能够显著提高团队成员对团体决策的理解一致性预测性能。

May, 2017

该研究旨在解决聊天机器人系统中当需要考虑自然语言上下文的情况及使用长短时记忆网络学习分类器的问题，并取得了显著的分类准确性提升。

Nov, 2016

本研究提出了一种名为 SCUD 的新的语言依存注释标准，并提供了 ConvBank 数据集，以用于在人机对话方面训练依存句法分析模型。实验表明，将模型预训练于公共数据集并在 ConvBank 数据上进行微调可以取得最好的结果，达到了 85.05％的未标注和 77.82％的标注连接准确率。

Sep, 2019

本文提出了一种基于交替任务导向的社交对话框架，该框架使用强化学习算法训练策略，以维持长时间的会话连贯性和一致性，使系统能够在任务和非任务内容之间实现平滑的过渡。实验表明，将社交对话内容与任务对话相结合的系统比纯任务导向的系统具有更好的任务成功率和更高的用户参与度。

Mar, 2017

使用大型语言模型（LLMs）的上下文学习能力与业务逻辑的确定执行相结合，描述了一种构建面向任务的对话系统的系统。与主要用于行业的基于意图的 NLU 方法相比较，我们的实验表明，使用我们的系统开发聊天机器人所需的工作量明显较少，这些聊天机器人可以成功地进行复杂对话，并且我们的系统对于大规模任务导向的对话系统具有可扩展的有益特性。我们提供了我们的实现用于使用和进一步研究。

Feb, 2024