本文提出了两种神经网络结构，分别基于指针网络和转换网络，用于跟踪任务导向的口语对话系统中的对话状态，解决了传统方法在长对话上性能较差的问题。实验证明，两种提出的模型都能有效地解决更远距离的对话问题，且性能令人满意。

Jun, 2019

在面对数据量缺乏的多领域任务型对话系统中，本文提出一种结合了槽位值示例及其描述信息的学习方法，从而得到可在不同领域中迁移的槽位语义表示，并在两个多领域数据集上实现了比最先进方法更好的效果表现。

Jun, 2019

本文提出了一种新的方法，即在表示级别和任务特定（即标签）级别上融合上下文信息以区分上下文对单词表示和单词标签的影响，在三个基准数据集上的实验显示，我们的模型比现有模型更加有效，在 Slot Filling 任务中实现了三个基准数据集的新的最优结果。

Nov, 2019

本文提出了一种新的信息提取框架，结合主动学习方法将非预定义领域槽发现纳入对话管理过程中，实现对话机器人任务中的自动领域学习，充分发挥数据和人类经验的作用。

May, 2023

本文提出了一种基于深度学习的方法，利用多任务学习中的槽位描述来快速启动新领域的语义解析模型，解决了对话系统领域扩展问题，同时消除了手动注释数据或显式模式对齐的需求，并在多个领域的实验中展现出显著的槽位填充性能优化。

Jul, 2017

本文关注跨语言环境下的指代消解，探讨了三种不同的方法 -- 词汇去表示，多语种嵌入和机器翻译，并在低资源和大资源设置下进行了比较，发现在低资源的情况下，多语种嵌入和通过数据增强的词汇去表示方法具有显著的提升，但随着目标语言中可用数据量的增加，其增益逐渐减少。在结合机器翻译的情况下，我们可以获得接近目标语言实时数据的性能，仅需将 25％的数据投影到目标语言中。

Nov, 2018

本研究提出了基于 capsule 的神经网络模型，通过动态路由协议实现槽填充和意图检测，从而有效地利用了语义层次结构。实验表明，与其他模型结构以及现有自然语言理解服务相比，我们的模型具有更好的性能。

Dec, 2018

提出了一种新的零射击槽填充神经模型 LEONA，通过利用语言特征、命名实体识别提示、预训练语言模型的上下文嵌入，从而获得领域无关的上下文感知表示，通过三步骤 fine-tunes 产生独立于槽的标签，并使用可推广的上下文感知语句 - 槽相似特征将其上下文化以产生每个单词的针对特定槽的预测，总体而言，在 SNIPS、ATIS、MultiWOZ 和 SGD 数据集上，从未见过的领域平均表现优于 SOTA 模型 17.52％、22.15％、17.42％ 和 17.95％

Jan, 2021

本文提出了一种深度学习的体系结构，用于基于轮询槽位的语音问答系统中的语义解码器组件，该语义解码器利用分布式语义表示学习来克服显式去词汇化的限制，通过使用卷积神经网络和长短时记忆网络对句子和上下文表示进行建模，并基于 DSTC2 和 In-car 数据集，对模型进行了实验验证。

Oct, 2016

该研究提出了自然语言对话系统中自动推断语义意图和关键词槽位的新方法，通过应用 Apriori 算法，设计了一种包含角色标注，概念挖掘，模式挖掘三步的粗略到精细的三步流程，实验表明该方法不仅适用于领域内和领域间的数据，具有良好的适应性，而且大大减少了手动工作。

Mar, 2021