本研究使用深度学习方法从对话文本中提取个人属性，并在 Reddit 讨论、电影剧本、个人对话等多个语料库上比较实验，最终证明了本方法的有效性和超越了先前的状态法基线。

Apr, 2019

本论文提出了一种基于预训练语言模型的模型，通过对话系统中用户发出的不带标签的语句进行无监督学习，从而实现预测用户个人属性值的目的，从而丰富 PKB，并通过挖掘未标注语句中嵌入的个人属性知识来实现两类监督。实验结果表明，该框架在预测个人属性方面表现最佳。

Aug, 2022

该论文提出了一种名为 PEARL 的框架，该框架通过在低资源情况下利用发言中大量的个人属性知识来预测个人属性，该框架结合了 biterm 语义信息和单词共现信息，通过在迭代过程中采用更新后的先前属性知识来优化 biterm 话题模型的 Gibbs 采样过程，多样化的实验结果表明，PEARL 在从对话中预测个人属性的任务上优于所有基线方法，并在一个数据集上的更普遍的弱监督文本分类任务中表现也很好。

Nov, 2022

本文提出了一种多模态属性提取任务，旨在从不同类型的非结构化数据中提取实体的属性。通过使用 7 百万个不同产品项目的混合媒体数据集，我们展示了利用弱监督学习方法进行属性提取的有效性，并分析了各种信息模态相对于该任务的作用。

Nov, 2017

This paper presents a framework that pre-trains conversation models on raw dialogues and fine-tunes with adapters instead of filtering the dataset, using a multi-view enhancement mechanism to improve dialogue attributes and achieve significant performance improvement.

May, 2022

本文提出了一种命名实体抽取系统，用于检测像沃尔玛这样的电商零售商产品标题中的属性。我们发现，将条件随机场和结构化感知器等序列标注算法与策略标准化方案结合起来，可以有效地从标题中提取产品属性值。

Aug, 2016

通过创建人工注释的数据集并利用 Bert 模型识别属性一致性，本文旨在提高对话代理与人类的属性一致性并进一步证明该模型有助于提高对话的一致性。

Sep, 2020

我们研究了一个大型对话语料库，通过单个个体与 104 个对话伙伴的对话历史记录获得。除了探讨消息文本外，我们还研究了对话方面的各种特征，如发送消息的时间、消息频率、心理语言学词类、语言镜像以及反映语料库中人们如何提及对方的基于图形的特征，并使用两组实验来预测每个属性，得出使用全部特征相对于仅使用消息文本可提高 9-14％的结论。

Apr, 2019

研究了信息检索中用户意图识别的两个方面，提取基于内容，结构和情感特征的特征，利用经典机器学习方法执行用户意图预测，使用特征重要性分析确定了结构特征对预测的贡献最大，并构建了神经分类器以提高性能。

Jan, 2019

本研究提出了一种用于处理商业任务导向型对话系统中未识别用户语句的端到端管道，包括特定定制聚类算法、新颖的聚类代表提取方法和聚类命名。通过评估这些组件，证明了它们在分析未识别用户请求方面的益处。

Apr, 2022