通过基于图卷积神经网络的模型，考虑了对话的用户动态和公众看法对话语的影响，可以预测对话的失轨迹象，并在预测前采取积极的管理措施。通过经验评估，在 CGA 和 CMV 基准数据集上，相较于现有的模型，我们的模型可以有效地捕捉对话动态，并在性能上分别提升 1.5％和 1.7％。

Jun, 2023

我们提出了一种使用人格特征插值来增强说话者数据增强和异构对话图网络来独立捕捉上下文影响和内在个性特征的方法，并在 RealPersonaChat 语料库上进行评估，对现有基线模型进行了显著改进。

Jan, 2024

通过生成式对话网络自动生成对话数据训练社交对话代理，通过自动生成会话，可以在可用的语言和知识数据的广度中受益；对于不带知识的对话，GCN 可以从种子数据泛化，产生新颖但不太相关但更吸引人的对话，对于知识基础的对话，则可以产生更注重知识、流畅和引人入胜的对话。

Jul, 2022

本研究提出了 GraphFlow 模型，通过图形结构学习技术及 Recurrent Graph Neural Network 有效捕捉了磋商历史，并引入流机制建模上下文图形的时间依赖关系，从而提高了对话流的捕获能力，对 CoQA、QuAC 和 DoQA 等基准测试表现具有竞争力，而且可为推理过程提供良好的可解释性。

Jul, 2019

本文提出一种适用于任务导向型对话系统的模型，利用知识库和对话的依存关系图结构信息解决了如何有效地将外部知识库整合到学习框架中以及如何准确捕捉对话历史语义的挑战。此外，该模型采用多跳推理能力以及循环单元架构进行表示学习。实验结果表明，该模型在两个不同的任务导向型对话数据集上均优于现有模型。

Oct, 2020

本研究提出了一种基于知识图增强的对话生成框架，使用层级图注意力来聚合伪节点上的图特征，并填补文本和图知识之间的语义差距，并促使语言模型更好地选择知识三元组以获得更丰富的响应。

Jun, 2023

本文提出了一个新的任务，旨在研究如何在神经会话模型中应用动态知识图谱，并提供了 DyKgChat 话语语料库来帮助评估动态知识图谱对响应生成的影响。为了支持动态知识图谱，我们提出了一个选取两个网络的初步模型：序列到序列模型 (Seq2Seq) 和多跳推理模型。我们引入了几种评估指标进行评测，并实验证明我们的方法优于以往的知识驱动对话模型。该文所提出的语料库和模型可激发未来的研究方向。

Oct, 2019

本研究介绍了 Dialogue Graph Convolutional Network (DialogueGCN) 的方法，使用图神经网络来进行 Emotion recognition in conversation (ERC)，并通过解决当前循环神经网络方法存在的上下文传播问题来提高情感分类效果。

Aug, 2019

Alexa Conversations 是一种新的目标导向对话系统构建方法，它使用基于对 API 和实体的规格的对话模拟器来生成对话，提供了对自然对话现象的支持，并通过减轻开发人员的负担来降低了对话系统的创建成本。

Apr, 2021

本文提出了一种对话图建模框架，通过 Discourse Graph、Decoupling Graph 和 Global Graph 三种图来提高机器对复杂问题的理解和推理能力，实现基于给定的规则文档、用户场景和对话历史的交互问答。

Dec, 2020