本文描述了我们在 DSTC11 中参与的具有极大成功的模型的工程努力，该模型由三个主要模块组成：(1) 自动语音识别误差校正，(2) 基于文本的对话系统用于估计插槽和值，(3) 后处理用于恢复估计的插槽值的错误。我们的实验证明了对于口语对话语料库，使用明确的自动语音识别误差校正模块、后处理和数据增强对于调整基于文本的对话状态跟踪器至关重要。

Aug, 2023

本文提出了一种基于 LSTM 网络，利用自动语音识别假设直接跟踪状态的增量式对话状态跟踪器，并分析 ASR 置信度、包括在训练数据中的转录文本和模型平均等方面对模型性能的贡献。

Jul, 2015

本文提出了一种新的多任务学习方法，旨在为面向任务的对话系统中的语言理解（LU）和对话状态跟踪（DST）进行学习。多任务训练使得编码用户话语的神经网络层用于 LU 和 DST，通过减少网络参数并提高性能。 本研究提出了 DST 框架，用于考虑有大量或无限可能值的插槽及以往对话中未见过的槽值，并探讨了在 LU 和 DST 输出上使用计划采样来弥合训练和推理之间的差距。

Nov, 2018

本文介绍了一种基于深度学习的可伸缩的多领域对话状态跟踪方法，通过引入一个新的状态跟踪框架，该框架独立于具体的槽值集合，并将对话状态表示为候选值集合的分布，此方法能够快速适应新领域，提高跨领域和可扩展性。

Dec, 2017

本研究使用字符串匹配、面向对话的共识消解和其他方法来跟踪对话状态，可正确标识很多在话语中未显式提到但存在的信息，并在 DSTC 4 比赛中表现优异。

May, 2016

本文提出一种 Dialogue State Distillation Network（DSDN）用于进行任务导向的对话系统中的 Dialogue State Tracking（DST），并且在 MultiWOZ 2.0 和 MultiWOZ 2.1 数据集上实验证明，该网络可以动态地利用先前的对话状态并避免引入误差传播，同时还可以有效地捕捉来自对话语境的插槽共同更新关系

Feb, 2023

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

本研究提出一种新的 Goal-oriented dialogue systems 框架，其中的 dialogue state tracker 可适用于 multiple domains，且不需要特定领域的先验知识，预训练的词嵌入技术有助于提高性能。

Nov, 2018

本文提出了一种基于 BERT 的零 - shot 自然语言理解模型，用于实现多领域会话状态跟踪，实验结果显示该模型较基线系统具有显著改进。

Jun, 2020

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