为了解决多模态对话中图像与文本之间的差距，我们构建了一个包含图像、产品知识库和文本的大规模数据集 JDDC 2.0，并给出了基于此数据集的顶尖团队的解决方案，为进一步研究多模态对话任务提供了有价值的启示。

Sep, 2021

本文介绍了一个大型的、经过清洗的中文对话数据集 LCCC，包含基础版和大型版两种版本，共计 680 万和 1200 万对话。数据集的质量通过一套规则和分类器确保。此外，本文还释放了 LCCC-base 和 LCCC-large 的预训练对话模型，这些数据集和模型将有助于研究短文本对话建模。

Aug, 2020

介绍 Ubuntu 对话语料库，包含近 100 万个多轮对话，可以用于建立基于神经语言模型的对话管理器，同时提供适用于此数据集的两种神经学习架构，并在选择最佳下一个响应的任务上提供了基准表现。

Jun, 2015

本文提出了一个中文多领域知识驱动会话数据集，该数据集将多轮会话的话题与知识图谱相匹配。我们的语料库包含三个领域（电影，音乐和旅游）的 4.5K 个会话，86K 个话语，平均轮数为 19.0。我们提供了多个基准模型来促进基于该语料库的后续研究。比较结果表明，通过引入背景知识，可以增强模型，但仍有大量空间可用于利用知识来模拟多轮会话以进行进一步研究。结果还表明，不同领域之间存在明显的性能差异，这表明值得进一步探索转移学习和领域适应。该语料库和基准模型是公开可用的。

Apr, 2020

通过引入 1.33 亿真实的中文对话数据集 LiveChat，并提出基于先进技术的检索式基线方法，本研究在多方对话范围内针对回应建模和宾语识别等两个关键任务进行研究，并验证了利用人物特征和更大的平均会话数对任务的积极影响，同时还提出了当前挑战的未来方向。

Jun, 2023

研究表明，说话者的个性和情感对对话有重要影响，因此考虑个性和情感的影响对于对话生成非常重要。为了解决这个问题，我们提出了 CPED: 一个大型、个性化和情感化的对话数据集，包含了与移情和个性特征相关的多源知识，涵盖性别、大五人格特质、13 种情感、19 种对话行为和 10 个场景。该数据集包含了来自 40 个电视节目的 392 个说话者的 12,000 多个对话，是新一代对话人工智能研究的新开放基准。

May, 2022

本文提出了一个基于行动的对话数据集（ABCD），以探究更现实的客户服务对话系统。 在 ABC 数据集上，我们建立了大规模的预训练语言模型，并提出了技术基线来评估模型的性能，结果表明较复杂的模型性能更好，在 ABCD 上取得了较高的准确性，但与人类表现仍有显著差距。

Apr, 2021

本文介绍一个主题驱动的多轮中文对话数据集 ——NaturalConv，提供了包含六个领域的 19,900 个对话和 400,000 个发言，可用于多轮对话系统研究的基准测试，同时为该数据集提供了一些基准模型的结果，并表明引入背景知识 / 主题并不能显著提高模型的性能。

Mar, 2021

该研究论文探讨了一种融合任务导向对话系统和闲聊对话系统的多动机对话数据集，并提出一系列评估指标，以更好地展示这种方法在实践中的效果。

May, 2022

本文介绍了 MMDialog 数据集、提出并规范了两个基于检索和生成场景的反应生成任务，还构建了两个基线，并提出了一种新的评估指标 MM-Relevance，用于衡量多模态反应。

Nov, 2022