该研究提出了 MultiDoc2Dial，这是一个针对建模基于多个文档的目标导向对话的新任务和数据集，旨在为更真实的信息寻求对话场景提供支持，并介绍了一个新的包含来自四个不同领域的基于多个文档的对话的数据集，探索了其基于对话和文档的上下文表示，提供了强基线方法和各种实验结果，支持进一步的研究工作。

Sep, 2021

本文提出了一种基于常识增强的基于任务的对话任务，并描述了 Task2Dial 数据集，这是一个基于文档的任务对话的新数据集，在此设置中，IF 可以提出澄清问题，这些问题可能不基于基础文档，需要常识知识来回答。

Apr, 2022

本研究介绍了一个文档驱动的文本对话数据集，包含关于热门电影的维基百科文章，利用两种神经网络模型对话，结果表明这种方法引入了更多信息，提高了生成回答的流畅度和吸引力。

Sep, 2018

本研究提供了一个新的对话数据集 CookDial，该数据集在任务导向的对话系统中将过程知识理解与复杂代理决策相结合。为了应对任务导向的对话系统中的三个挑战性子任务，并针对每个任务开发了一个神经基准模型，并在 CookDial 数据集上进行了评估。

Jun, 2022

提出了 CGoDial 多领域目标导向对话评估新挑战性和综合性中文基准，包括三个使用不同知识来源的数据集（基于插槽的对话、基于流的对话和基于检索的对话），实验设置中考虑了训练集和测试集的不同组合，其中包括使用真实会话数据或通过众包添加口语特征来填补学术基准和口语场景之间的差距。

Nov, 2022

本文通过文件引导对话，并发布一个大规模的受监督数据集 SuperDialseg，该数据集包含基于两个流行的文件引导对话语料库的 9K 个对话。此外，我们提出了两个模型来利用对话特征，实现关于对话分割任务的表现，并提供包括 20 个模型在内的基准测试，并根据实证研究提供了一些洞见。我们相信我们的工作是对话分割领域向前迈出的重要一步。

May, 2023

本文介绍了 Doc2Bot，这是一种新型数据集，可用于构建通过会话帮助用户寻找信息的机器。我们提出了三个任务，包括对话状态跟踪，对话策略学习和响应生成，这些任务是具有挑战性且值得进一步研究的。

Oct, 2022

本文介绍了一种用于收集大型语言模型生成对话的框架，用来收集 MathDial 数据集，这个数据集由约 1.5k 个多步骤数学词问题的辅导对话组成，并展示了该数据集具有丰富的教学特性，可以用于调整语言模型以成为更有效的辅导员，并强调了需要解决研究共同体的挑战。

May, 2023

该论文提出一种名为 Dialogue Description（Dial2Desc）的新任务，使用新的神经注意力模型对话述简系统实现对话内容的简洁概括，相对于其他基准测试结果具备了更高地描述准确性和可读性。

Nov, 2018

该研究提出了一种基于少量无需标注对话实现目标导向对话生成的系统，实现了对话表示的自主学习，涉及到文本知识来源的多重训练，结果显示在使用了比原模型仅百分之十的数据时显著提高了实体识别和 BLEU 得分。

Oct, 2019