本文介绍了Schema-Guided Dialogue (SGD)数据集，包括16个领域的16,000个多领域对话。SGD数据集提供了一个具有挑战性的测试平台，可以用于测试任务包括语言理解，位置填充，对话状态跟踪和响应生成。文章也提出了一个基于模式的任务导向对话的范式，尤其是在输入中提供了一组动态的意图和插槽自然的语言描述，提高了对大量服务形态的支持和新服务的快速集成。

Sep, 2019

提出了一种名为UniConv的神经结构，它能够同时训练多个模块，包括对话状态跟踪和回答生成器，用于多域任务导向的对话系统，实验表明其在MultiWOZ2.1基准测试上具有优异的性能。

Apr, 2020

本文提出了一种将知识库（KB）嵌入到模型参数中的方法，从而实现无需在交互中使用DST或模板响应以及KB作为输入的端到端对话系统；实验证明，基于该方法的端到端模型在各种KB大小下能够实现优异的性能。

Sep, 2020

本文描述利用预训练语言模型及粗层次知识信息进行基于任务的对话建模，实现对话历史和知识访问的响应生成，并在模型最终输出的基础上进行后处理策略以进一步提升知识应用，在客观指标下获得第二名，在人类指标下获得第四名的实验结果。

Dec, 2020

本文总结了我们在第九届对话系统技术挑战赛（DSTC 9）第一轨中的工作，我们提出了一种基于层次分类和序列嵌入的检索和生成方法，以实现针对任务导向对话中利用非结构化文本信息的回答生成。

Feb, 2021

本研究针对限定领域API的局限性，采用一种基于查询-选择-回应的方法，引入了外部非结构化知识资源，通过对话上下文信息的提取和增强实现了对超出API覆盖范围用户请求的响应，并在DSTC9 Track 1基准数据集上实现了全自动和人工评估的最优性能，验证了我们的贡献的有效性。

Jun, 2021

本文介绍了把目标导向式对话任务（TOD）系统和非目标导向闲聊式对话系统（ODD）结合起来的难题，并基于流行的TOD数据集MultiWOZ构建一个包含两种对话模式交替的新数据集FusedChat，提供一种更具挑战性的基准测试，以测试对话模型在处理交叉模式上的表现。该数据集具有丰富的依赖模式，包括共示和省略，并提供了分类和融合等基线模型。

Sep, 2021

本文探讨了领域专业化预训练对任务定向对话的影响，并提出了一种领域适配器技术，通过构建和利用专门领域的资源，如DomainCC和DomainReddit来提高模型的任务性能。

Oct, 2021

本文旨在构建一个具有鲁棒性的口语对话系统，通过引入未结构化的外部知识和采用数据构建、加权负采样、后训练以及风格转换等四种高级方法，完成了DSTC10-Track2-Task2的任务，实验表明我们的模型在客观评估中排名第7，人工评估中排名第6。

Sep, 2022

通过使用未标注的数据和模式定义，我们开发了一种新方法来构建一个完全无监督的面向任务的对话系统，该系统可以在迭代中通过期望最大化方法逐渐改进伪标签，并利用这些标签来训练一个端到端的对话代理，其在MultiWOZ基准测试上的成功率超过了强大的GPT-3.5基准的两倍。

Apr, 2024