在开放领域对话情景中，提出了一种敌对学习框架 ensembleGAN，用于增强检索 - 生成集合模型，该模型由生成器、排名生成器和排名鉴别器组成，通过学习生成更加相关的响应、高质量候选对抗响应、以及真实响应的识别与区分，实现了两种生成器的优点。实验结果表明了 ensembleGAN 在人工和自动评估度量上的优越性。

Apr, 2020

本文提出了一种基于对抗训练的方法用于生成开放领域对话，该系统的对话和人类对话几乎无法区分。作者将问题转化为一个强化学习问题，同时训练一个生成模型和一个鉴别器，用于评估生成的对话是否和人类对话相似，并将鉴别器的输出作为奖励信号，并进一步提出了一种评估模型 - 对抗性评估模型，该模型可避免一系列潜在的问题。实验结果表明，基于对抗训练的系统生成的响应比先前的基线模型更具参考价值。

Jan, 2017

本研究提出一个评估聊天机器人响应的系统，利用明确的反馈机制改进神经响应图生成模型，从而获得更具连续性和参与度的响应。

Apr, 2019

本研究提出了一种使用大规模语言模型生成对抗性负面响应的简单而高效的方法，用于提高在检索式对话系统中响应选择模型的识别能力，并证明其在对话选择任务中优于其他对抗性负面响应合成方法。

Oct, 2022

本文提出了一种将检索式和生成式对话系统相结合的方法，将检索到的候选回答与原始查询一起馈送到基于循环神经网络的回答生成器中，以使神经模型了解更多信息。 实验结果表明，这种集成方法明显优于单独使用检索和生成方法。

Oct, 2016

本文提出了一种对话生成的敌对学习方法，基于条件生成式敌对网络，生成器是修改后的层次循环编码器 - 解码器网络，鉴别器是与生成器共享上下文和词嵌入的字级双向循环神经网络，在 Ubuntu 对话数据集和电影三元组数据集上表现出更好的性能和更长、更丰富、更具相关性的自动生成回应。

May, 2018

本研究发展了一种融合了两种不同方法的模型，能够检索出机器人回答，并将其作为附加语境进行精细调节，从而产生了更准确、更生动、更吸引人的回答。在最近的 CONVAI2 挑战评估中，该模型在人类评估中明显优于传统的检索和生成模型。

Aug, 2018

本文提出了基于 GPT-2 微调多领域 MetaLWOz 数据集的混合生成 - 检索模型，具有稳健、多样的响应生成能力，在领域自适应任务中取得了最优结果，并在适应未见过的 MultiWOZ 数据集时表现出竞争力的泛化性能。

Mar, 2020

研究了使用对抗性损失来评估对话系统生成的对话回复的可行性。通过训练 RNN 区分模型生成的样本和人类生成的样本，发现该方法可能可行，但实际应用中仍存在许多问题。

Jan, 2017

利用最大边际似然方法训练感知检索器，通过利用生成回应的信号来提高生成回应的质量，并结合元知识指导生成器，以增强知识的利用能力。

Oct, 2023