本文提出了一种两阶段的重新排序方法，通过使用对话上下文模型重新排序第一阶段问题的候选项来帮助弥合训练 - 推断差距，从而解决了由于现有系统使用间接数据或专家知识开发而导致的模型训练 - 推理鸿沟问题，并发现相对于专家系统，我们所提出的全局重新排序器结合转换器骨干的最佳性能，导致 30％更高的标准化折扣累积增益（nDCG）和 77％更高的平均精度（mAP）。

Apr, 2023

本研究对开源聊天机器人的多种回复生成方法进行了系统评估，提出了利用手动注释筛选出的多个正向回复和负向回复，从而提高模型效果的新训练数据，并实验证明性能较之采用对抗训练数据有更显著提升。

Aug, 2022

本文提供了一种 3 步程序来开发满足业务要求的对话模型，包括从历史对话中创建模板、使用神经网络建立对话上下文和业务约束，以及通过自我监督和受训者的方法优化模型，并进行实验验证并在人机交互的环境中应用于商业对话。

Oct, 2022

本论文提出了一种灵活的神经网络框架，利用上下文信息从多个渠道进行整合来提高多轮对话响应排序的性能。在 MSDialog 数据集上的实验结果表明，我们的框架显著优于先前的最先进模型，提高 Recall@1 7％和 MAP 4％。

Mar, 2023

本文提出了一种上下文感知的神经排序模型，通过引入两级分层循环神经网络对查询、搜索任务进行搜索上下文表示的学习，并结合文档排序和查询建议两个伴随的检索任务来提高检索性能，并在循环状态的两个级别上引入注意力机制来识别搜索上下文和用户正在进行的搜索活动之间的可变依赖结构。通过丰富的实验比较以及深入的消融分析，证实我们所提出的方法对于建模搜索任务中隐藏的搜索上下文具有价值。

Jun, 2019

本文提出了使用神经排序器从未标记的数据中有效地训练社交对话系统的方法，并展示了使用该方法通过优化长度作为目标的排序器在性能上优于优化用户评级的排序器，从而可简化未来社交对话代理的数据收集。

Nov, 2018

利用 Reddit 数据集，我们在多方参与、自由结构的多轮对话中研究了不同结构元素对话建模的影响，并训练了深度神经网络来预测对话的下一句。我们发现，对话的上下文和参与者的历史信息都对预测准确性有所提高。

Jun, 2016

本文针对完整回应的检索任务，提出了对话背景和回应扩充技术的检索方法，探析了稀疏检索和零样本以及微调密集检索方法，并发现通过练习 “学习到的回应扩充技术” 是稀疏检索的一个坚实基础。我们最终发现，整体表现最好的方法是密集的检索中级训练，即是模型先预训练语言模型，再根据目标对话数据进行微调，同时我们研究发现，更难的负采样技术导致微调的稠密点检索模型更糟糕。

Apr, 2022

本文提出了一种基于事件因果关系的对话历史和候选回复之间的相关性重新排名算法，可用于选择连贯而多样的回复，采用基于角色因子张量模型的分布式事件表示来匹配事件因果关系，实验结果表明，该方法提高了系统响应的连贯性和对话连续性。

Jun, 2019

通过使用排名度量标准优化 LLMs，本研究提出了一种增强 LLMs 情境理解的新方法 RRescue，该方法通过对一系列具有情境依据的候选回复进行排序，以部分排序的方式来教授 LLMs。

Nov, 2023