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

使用生成模型在大型对话语料库上构建开放域对话系统的任务得到了研究，这里我们扩展了分层递归编码器 - 解码器神经网络到对话领域，并证明了该模型与最先进的神经语言模型和后退 n-gram 模型有竞争力，我们进一步探讨了该方法及类似方法的局限性，再展示了如何通过从更大的问答匹配语料库和预训练的词嵌入中引导学习以提高其性能。

Jul, 2015

本文提出一种双向推理的生成模型，通过向基础的编码解码模型添加后向推理步骤，推动模型产生更多信息丰富、连贯的回复，实现了双向优化，最终提升了响应质量，成为当前响应质量最好的方法之一。

Apr, 2021

本文提出了一种新颖的神经网络架构，用于多轮对话场景下的响应选择，它应用了上下文级别的注意力和领域特定单词描述提供的额外外部知识。该架构使用双向门控循环单元进行编码，并学习在给定潜在响应表示的上下文单词之间进行关注，同时还使用另一个 GRU 来编码领域关键词描述，从而提高了相应中领域特定关键词的表示，实验结果表明，相对于所有其他最先进的方法，我们的模型在多轮对话中具有更好的响应选择性能。

Sep, 2018

本文介绍了一种基于深度强化学习的方法，使用策略梯度算法来优化基于任务且与视觉相关的对话，该方法在通过 Mechanical Turk 收集的 12 万个对话数据集上进行了测试，并提供了鼓舞人心的结果，可以解决生成自然对话和在复杂图像中发现特定对象的问题。

Mar, 2017

本文提出了一种基于序列到序列学习的个性化响应生成方法，使用初始化和适应两个阶段，模拟人的响应风格并生成个性化的响应，使用人工评估的方法进行模型评估。结果表明该方法可以很好地模拟人类的响应风格并生成个性化响应。

Jan, 2017

本文提出了一种采用双编码器网络进行弱监督训练的原型对话响应生成模型，从过去的代理回答中提取嵌入导出的答案模板，选择最佳模板生成对客户咨询的回答。在像客户服务这样的封闭领域中，所选模板可以涵盖过去咨询的 70％以上。此外，模型选择的模板的相关性显著优于标准 tf-idf 基线选择的模板。

Mar, 2017

本论文提出了一个基于编码器 - 解码器模型的任务导向对话系统的实用且新颖的框架，使其能够完成与外部数据库的交互和独立决策，并将聊天功能与插槽填充系统交替使用，以提高领域外恢复的能力。在实验中，使用公交信息系统的真实用户数据和人际对话数据，所提出的框架表现优异，且离线评估指标和任务成功率与人类用户相当。

Jun, 2017

本文介绍了一种新的控制对话响应生成的方法 —— 插入式方法，其不需要注释对话数据集或精调大规模语言模型，并可以实现高度控制所生成的会话响应的多个方面。

Oct, 2020

研究了基于编码器 - 解码器模型的开放领域对话系统的自动回复方法，并提出一种将内容单词序列作为中间表示的方法，并通过将学习和评估的重点从完整句子转移到内容单词序列，提高了生成语句相关性的方法。

May, 2019