该论文介绍了一种新颖的、面向亚马逊 Alexa 奖赛的社交机器人，旨在与用户进行友好的谈话，并在各种话题上展开对话。我们提出了一种模块化系统，重点介绍了我们使用人类思维作为数据管理模型的不同数据来源以及我们如何构建和使用自然语言理解和信息检索工具和 API 来扩展我们的知识库。此外，我们描述了我们的半结构化、可扩展的框架，用于构建特定话题的对话流程，并详细说明了我们的对话管理方案和评分机制。最后，我们简要评估了系统的性能，并观察了开放领域社交机器人面临的挑战。

Jan, 2018

设计与评估了体现社交互动、基于故事和游戏策略的 SlugBot，参加 2018 年 AlexaPrize 的 8 强之一。收集了 10000 多次对话作为比赛的一部分，并进行了实验室后续定性评估。结果表明，故事和游戏是 SlugBot 比较吸引人的互动类型

Aug, 2019

本篇论文描述了借助不同的搜索和结构化数据源，如何帮助 SlugBot 产生对话回合并进行长达 8 分钟 17 秒的对话，从而以应对持续的多轮对话等挑战性问题。

Sep, 2017

本文提出了对话系统 Alquist 的第二个版本，利用基于本体的主题结构来组织对话系统，并通过 LSTM 模型对话管理，以获得更好的用户体验。

Nov, 2020

2018 年的 Alexa Prize 竞赛促进了会话人工智能的发展，多所大学加强了会话模型的上下文理解和对大量不同类型输入的处理，并借助知识图谱等工具提高了自然语言理解能力，使用统计和分层对话管理和模型驱动的用户响应机制，同时提供 CoBot 工具包、话题检测模型、对话行为检测模型、对话评估等套件，构建了知识丰富、连贯、吸引人的多轮对话系统。

Dec, 2018

通过 Alexa Prize 进行的研究，结合当今自然语言处理、上下文理解、会话管理等方面的技术，旨在解决对话人工智能问题，从而使得社交对话和自由形式对话在广泛的领域和主题上更加自然地进行。

Jan, 2018

提出了一种名为 BotsTalk 的新框架，其中多个代理参加交谈以自动注释多技能对话，并展示了一个名为 BSBT 的大规模多技能对话数据集，通过广泛的实验表明，我们的数据集对于需要理解技能融合和技能基础的多技能对话系统非常有效。

Oct, 2022

我们旨在构建一个系统，不仅利用大型语言模型的灵活对话能力，还利用其先进的规划能力，降低人类对话者的讲话负担并高效地规划行程。我们提出了一种将旅行社的复杂任务划分为多个子任务的方法，将每个子任务作为一个独立阶段进行管理，以有效地完成任务。我们的提出的系统在 2023 年对话机器人比赛的预赛中取得了一定的成功，并报告了比赛中发现的挑战。

Dec, 2023

使用大型语言模型（LLMs）的上下文学习能力与业务逻辑的确定执行相结合，描述了一种构建面向任务的对话系统的系统。与主要用于行业的基于意图的 NLU 方法相比较，我们的实验表明，使用我们的系统开发聊天机器人所需的工作量明显较少，这些聊天机器人可以成功地进行复杂对话，并且我们的系统对于大规模任务导向的对话系统具有可扩展的有益特性。我们提供了我们的实现用于使用和进一步研究。

Feb, 2024

该研究综述论述了基于计算论证的聊天机器人，在比较标准聊天机器人的优缺点的基础上，展望了其可能的未来发展和与基于 Transformer 架构和最先进的大型语言模型的整合。

Jan, 2024