本文介绍一种基于神经网络的端到端可训练的目标导向对话系统，以及一种新的数据收集方法，该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统，帮助用户在餐厅搜索领域自然地交流并完成任务。

Apr, 2016

本文介绍了第七届对话系统技术挑战赛（DSTC）的概况和研究成果，包括不同追踪和数据集的详细描述。该比赛聚焦于建立端到端的对话系统，并于句子选择、句子生成和音视频场景感知对话等方面展开研究。参赛者使用最先进的技术取得了显著的成果。

Jan, 2019

任务驱动的对话系统使用外部非结构化知识源来扩展任务领域 API 的覆盖范围，三个任务包括知识寻找、选择和响应生成，并用集成方法和大规模预训练语言模型取得了高性能。

Jan, 2021

该论文介绍了针对开放领域对话系统的交互式评估方法，为开发基于知识的响应生成模型，探索将其扩展到与真实用户的交互中提供挑战，从而介绍了从静态语料库到交互式评估的进展，以及如何最好评估开放领域对话模型的见解。

Jul, 2022

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

本文介绍了一种基于强化学习的新型端到端对话系统学习框架，用于解决模块化任务完成功能对话系统在训练和使用中面临的挑战。研究的实验表明，该端到端系统不仅在客观和主观评估中优于传统的模块化对话系统基线，而且在处理语言理解模块的各种误差时具有稳健性。

Mar, 2017

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

本文介绍了我们在 DSTC 8 中的参赛系统，探讨了使用预训练的注意力网络解决多轮对话系统问题的方法以及几种自适应方法来保留对话系统的固有属性。在 DSTC 8 的 Track 2 中发布的评估结果中，我们的模型在任务 1 中排名第四，在任务 2 中排名第三，在任务 3 和任务 4 中分别排名第一。

Apr, 2020

本文利用 DSTC2 数据为种子数据，建立了功能包括：natural language understanding 和 natural language generation 的 conversational agent，并让它们通过生成自然语言进行在线交互，进而将这个交互行为建模成一个随机协作游戏，并在实验中表现出优于 deep learning 的结果。

Jul, 2019

本论文提出了一种对话挑战，用于构建端到端的任务完成对话系统，目标是鼓励对话研究社区在标准数据集和统一实验环境上合作和基准测试。在这个特殊的会话中，我们将发布在三个领域（电影票预订，餐厅预订和出租车预订）中的人工注释的对话数据，以及每个领域内内置模拟器的实验平台，用于训练和评估。最终提交的系统将在模拟设置和人类评委的评估下进行评估。

Jul, 2018