该论文介绍了一个名为 LIDA 的工具，它采用基于大型语言模型和图像生成模型的管道，将可视化生成形式化为一个多阶段生成问题，能够支持数据和目标的语义理解、可视化目标枚举和可视化规范的生成，LIDA 提供了 Python API 和混合用户界面用于交互式图表、信息图表和数据故事生成。

Mar, 2023

通过模块化和高度自动化的 LUCID 系统，我们产生了一个包含 4,277 个跨 100 个意图的多领域、多意图对话的种子数据集，其中包含了各种具有挑战性的现象和多样的用户行为。

Mar, 2024

LaMDA 是一种专门用于对话的基于 Transformer 的神经语言模型，其具有高达 137B 的参数，并使用公共对话数据和 Web 文本预训练。它具有先进的优化技术，能够解决安全性和事实基础等关键挑战，以及能够在教育和内容推荐领域发挥积极作用。

Jan, 2022

Araida 是一种基于类比推理的方法，可以提高交互式数据注释的自动注释准确性，并减少人工校正的需求，通过动态协调注释模型和最近邻（KNN）模型，显著减少人工校正劳动力。

May, 2024

利用微博和深度学习技术，研发了一种可靠的语言识别引擎，在 Discriminating between Similar Languages (DSL) Shared Task 2015 数据集上达到了 95.12% 的准确率。

Jan, 2017

这篇论文提出了一种使用离散潜在变量来处理自然语言对话场景的深度学习模型，通过使用强化学习进行自动学习和提高表现，相对于传统方法，其能更准确地捕捉自然交互变异性，可广泛应用于人工智能领域。

May, 2017

个人化对话系统一直受到广泛关注，因其能够根据不同人物角色生成响应。本文提出了 In-Dialogue Learning (IDL) 框架，通过细调预训练的大型语言模型，利用对话历史来描述角色，从而完成个性化对话生成任务，而无需预先定义角色。我们在三个数据集上的实验证明，IDL 显著提升了模型性能，BLEU 和 ROUGE 分数分别增加了 200% 和 247%。此外，人工评估的结果进一步验证了我们提出方法的有效性。

Mar, 2024

本文设计了一个层次结构和支持多标签的对话行为注释方案 MIDAS，针对开放领域的人机对话。为了验证该方案的适用性，我们利用迁移学习方法训练多标签对话行为预测模型，并达到了 0.79 的 F1 分数。

Aug, 2019

通过使用 GPT-3，本文提出了一种名为 LAD 的数据范式，用于创建多样化和准确的合成数据，以训练下游神经对话模型，实现零 - shot 泛化，并在意图预测、槽填充和下一步行动预测方面实现了显著的性能提升。同时通过交互式人类评估表明，与人类对话训练相比，使用 LAD 训练的效果是有竞争力的。

Jul, 2022

我们提出了一种新颖的基于 AI 的聊天机器人学习模式，用户通过与教师机器人的对话获取信息和知识。我们的系统使用了一种新型加强自我对话模式，在不同领域之间实现知识传递和关注用户的对话。我们在三个大型公共数据语料库上进行了广泛的主客观评估，证明了我们的系统在传递知识和关注用户方面的有效性，帮助用户在不阅读文章的情况下大大提高知识水平。

May, 2022