本文研究了在任务中使用说服策略对结果的影响，提出了一个对话中抵抗策略的概括框架并用神经网络模型进行自动识别，实验表明了在目标导向型对话中权力角色的不对称性以及抵抗策略在最终对话结果中的积极作用和不同抵抗策略的不同作用。

Jan, 2021

本文提出了一个基于跨通道反馈记忆网络 (CFO-Net) 的方法，以将情感反馈任务引入到说服策略识别任务中。通过设计一个反馈记忆模块和交叉通道融合预测器，该方法将情感反馈与上下文感知的对话信息相互作用，提高了 M-F1 的性能。实验表明，CFO-Net 能够将性能从 61.74% 提高到 65.41%。

Jun, 2022

本文通过引入强化学习（RL）进行用户交互训练，实现了一个更加人性化的劝说对话系统，并成功在捐赠劝说任务中取得了优于先前最先进的对话模型的表现。

Dec, 2020

本文旨在开发个性化的智能说服对话系统来改变人们的观点和行为，通过设计在线游戏，收集对话数据，对数据进行特征提取，建立分类器，探讨包括人口统计学信息、心理特征在内的背景因素对人们响应特定说服策略的影响。

Jun, 2019

人工智能对话系统领域的研究趋势是基于认知心理学理论，将认知策略融入会话中，以达到有效说服他人，建立智能的对话代理系统。本文首先介绍了认知心理学理论和三种典型认知策略的定义。然后，提出了一种新的系统架构，详细研究了代表性工作，并总结了权威基准和评估指标。最后，对 CogAgent 的未来发展方向和存在的问题进行了观察与总结。

Feb, 2024

本文研究了使用 self-attention layer（transformers）预先训练的神经网络在情感识别中的表现，并发现这些模型成功利用语言信息来提高其 valence predictions，在测试他们时应包括对语言分析。

Apr, 2022

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 transformer 架构的对话策略，其自我注意机制沿着对话的序列进行，可以自然地选择性地忽略或关注对话历史。我们比较了 Transformer Embedding Dialogue（TED）策略与 LSTM 和 REDP 的性能差异，后者是专门设计用来克服 RNN 的局限性。

Oct, 2019

本文探索了预测针对开放领域对话的专家和用户评分的自动化方法，比较了四种不同的方法，其中提出的 counterfactual-LSTM (CF-LSTM) 模型在对话评分和分类方面的表现最好。

Jan, 2023

发展神经对话模型需要超越 “内容相似性”，本文提出用对抗性负面样本提高模型的实用性。实验表明，我们的方法在多个数据集上均表现优异。

Jun, 2021