本文介绍了一个基于人人写作而成的多领域伪随机项目 (MultiWOZ)，是目前已有数据集中体积最大的任务导向型对话集，其意义在于为未来研究设定了基线，并揭示了其与对话信念状态、对话行为等方面的相关性

Sep, 2018

本文通过分类对话和上下文效果，分析 MultiWOZ，SGD 和 SMCalFlow 等最近和广泛使用的任务型对话数据集，发现少于 4％的 MultiWOZ 的句子和 10％的 SGD 的句子具有对话效果，而 SMCalFlow 在其当前版本中根本不具有对话效果。

Mar, 2022

我们介绍了 HR-Multiwoz，这是一个包含 550 个涵盖 10 个 HR 领域的完全标记的对话数据集，以评估 LLM Agent。该数据集是为自然语言处理 (NLP) 研究的 HR 领域首个开源对话数据集。通过 LLMs 为基础的数据收集流程，大大减少了人员参与的工作量和成本。

Feb, 2024

本文介绍一种基于神经网络的端到端可训练的目标导向对话系统，以及一种新的数据收集方法，该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统，帮助用户在餐厅搜索领域自然地交流并完成任务。

Apr, 2016

结合话题建模，研究 Schema-Guided Dialogues 和 MultiWOZ 的训练集，发现社交对话序列的存在，进一步推动了如何将闲聊融入任务导向对话的研究。

Nov, 2023

通过收集多用户多 WOZ 数据集，该研究提出了多用户背景下的查询重写任务，旨在将两个用户之间的对话重写成只包含任务相关信息、能够被对话系统直接处理的简洁任务查询，实验证明通过预测的重写方式，显著提高了对话状态跟踪的性能，并且可以适用于未知领域。

Oct, 2023

创造高质量的任务导向对话（ToD）的注释数据是困难的，特别是在为多种语言创造公平、文化适应性强、大规模的 ToD 数据集时面临诸多挑战。因此，现有的数据集仍然非常有限，并且存在诸多限制，如基于翻译的非母语对话、小规模或缺乏文化适应性等。在这项工作中，我们首先对多语言 ToD 数据集的现状进行了全面的梳理，提供了它们的特点和限制的系统概述。为了减少所有检测到的限制，我们推出了 Multi3WOZ，这是一个创新的多语言、多领域、多平行 ToD 数据集。它是大规模的，并且提供了四种语言的文化适应对话，以便训练和评估多语言和跨语言的 ToD 系统。我们描述了一个复杂的自下而上的数据收集过程，得到了最终的数据集，并提供了将来参考的不同 ToD 相关任务的基准分数，并突出了它具有挑战性的特点。

Jul, 2023

为了推动日语任务导向对话系统的研究和发展，本研究构建了 JMultiWOZ，这是第一个规模较大的多领域任务导向对话数据集。通过使用 JMultiWOZ 评估英语基准数据集 MultiWOZ2.2 和最新的大型语言模型 (LLM) 方法的对话状态跟踪和响应生成能力，评估结果表明 JMultiWOZ 与 MultiWOZ2.2 具有相当的水平。此外，通过与模型和人类参与者进行交互对话的评估实验，我们发现日语中 LLMs 在任务完成能力上存在局限性。

Mar, 2024

本研究介绍了 PRESTO，这是一个基于 550K 个虚拟助手和人之间的上下文多语言对话的公共数据集，用于研究语言理解的挑战性问题，包括流畅性、代码切换和修订等。mT5 模型在该数据集上的表现证明了其中的语言现象具有挑战性，尤其在低资源情况下。

Mar, 2023

通过研究 Multiwoz 2.1 和 SGD 数据集中的错误，本文证明了任务导向的对话系统中数据集错误是导致对话管理不达到最佳性能的主要原因，并提出了使用合成对话生成器来控制错误量和类型的方法。

Oct, 2023