人们往往在回答是或否的问题时，没有明确地表达是或否或类似的极性关键词。本文通过研究来自多个领域的对话，并提出了三个不同领域的新基准：电影剧本，网球采访和航空公司客户服务。我们提出了一种基于远程监督和混合训练的方法，快速适应新的对话领域。实验结果表明，我们的方法从未受损，并能提高 F1 值高达 11-34%。

Apr, 2024

本研究对开源聊天机器人的多种回复生成方法进行了系统评估，提出了利用手动注释筛选出的多个正向回复和负向回复，从而提高模型效果的新训练数据，并实验证明性能较之采用对抗训练数据有更显著提升。

Aug, 2022

本篇论文介绍了一种新颖的响应生成系统，它可以在大量非结构化的 Twitter 会话上进行端到端的训练。该系统使用神经网络架构来解决在将上下文信息集成到经典统计模型中出现的稀疏性问题，从而允许系统考虑以前的对话话语。我们的动态上下文生成模型相对于基于上下文和非上下文敏感的机器翻译和信息检索基准具有一致的提高。

Jun, 2015

本文关注了对话中的一种实用推断问题：理解对问题的间接回答。通过精心的众包，创建并发布了第一个大规模的英语语料库 'Circa'，并提出了基于 BERT 的神经模型来预测一对问题 - 答案的类别。结果表明，虽然从蕴涵的传递学习中可以得到合理的表现，但性能还不足以进行稳健的对话。我们的模型可以达到 4 类区分的 82-88％的准确性，6 类则为 74-85％。

Oct, 2020

本研究提出一个评估聊天机器人响应的系统，利用明确的反馈机制改进神经响应图生成模型，从而获得更具连续性和参与度的响应。

Apr, 2019

该研究表明，对话模型在不需要外部分类器的基础上，通过计算表示为差消息的回复的可能性，可以在内部检测其自己的消息中的语言错误，AutoReply 算法也可以帮助自动搜索具有区分能力的回复。

Nov, 2022

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

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

本文研究了如何将对话管理器的能力融入端到端的基于视觉的对话代理，通过增加一个决策组件来决定是否询问一个图像中的目标指代，可以减少冗余和不必要的问题，并且可能导致更高效和更自然的交互。

May, 2018

介绍了一种基于规则式与神经式语言生成结构的对话回复生成方法，该系统在流畅性，相关性和真实性方面在人类评估中的性能都优于基于规则式和学习式的方法。

Sep, 2022