本研究提出一种基于逆向对话模型和风格路由方法的对话生成技术，能够捕捉嵌入在不成对文本中的风格特征，产生既符合给定上下文又符合目标风格的对话回复，实验表明方法能够胜过竞争性对话系统在产生连贯、风格强烈的对话回复方面的表现。

Sep, 2020

本研究提出了一种使用大规模语言模型生成对抗性负面响应的简单而高效的方法，用于提高在检索式对话系统中响应选择模型的识别能力，并证明其在对话选择任务中优于其他对抗性负面响应合成方法。

Oct, 2022

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

本研究提出了一种使用未配对数据进行数据扩充的新方法，包括数据层次和模型层次的蒸馏过程，结果表明此方法可以提高对话系统的性能。

Sep, 2020

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

在低资源环境下，通过设计一种解耦响应解码器使模型可以仅从大量未接地对话和非结构化文档中学习，而只使用有限的训练示例就能很好地拟合剩余的小参数。在两个基准测试上的评估结果表明，我们的模型仅使用 1/8 的训练数据就可以实现最先进的性能，而且对领域外知识有很好的概括能力。

Feb, 2020

本文介绍了一种基于自动生成问答对的框架，包含一个无监督关键词检测器发现问题的有效性，一个生成器利用多通道解码器提高结构知识的多样性，用于医学领域的问答任务，能有效提升考试问答系统的准确率。

Nov, 2018

本文提出了一种响应生成的新范 Paradigm，通过编辑现有的原型响应，显著增加了生成结果的多样性和信息量，提出了一种响应编辑模型，实验结果表明，该模型在各个方面都优于传统的生成和检索模型。

Jun, 2018

我们提出了一种无监督训练 QA 模型的方法，该方法使用生成的伪数据训练，为 QA 训练生成问题，通过对相关检索到的句子应用简单模板，而非原始上下文句子来实现，从而使模型能够学习更复杂的上下文问题关系。 使用这些数据训练 QA 模型可在 SQuAD 数据集上获得 14％的 F1 分数相对提高，并且在答案为命名实体时提高 20％，从而实现无监督 QA 的最新性能。

Apr, 2020

该研究分析了基于序列到序列学习的生成回复任务的神经模型容易产生短而通用回复的问题，并通过分解黑匣子，详细分析了概率极限问题并提出了最大间隔排名正则化方法来避免模型偏向于这些回复，并通过实证实验验证了该方法的有效性。

Aug, 2018