通过使用会话树以及区分话语角色，本文提出了一个无监督模型来提取微博信息中的主题并进行总结，结果表明这个模型能够有效地发现微博会话中摘要值得关注的内容。

Sep, 2018

该研究提出了一种联合建模方法来识别口头会议中的显著讨论点，并标记发言者之间的话语关系；对于预测内容选择和话语关系，该联合模型在两个普及的会议语料库上表现出优于现有方法的结果；同时，使用基于该模型构建的特征训练分类器相较于现有技术能够显著提高团队成员对团体决策的理解一致性预测性能。

May, 2017

本文提出了一个无监督框架，用于共同建模微博交谈中的主题内容和话语行为。具体而言，我们提出了一个神经模型来发现表示会话涉及什么（即主题）和反映参与者表达意见的词群（即话语）。广泛的实验表明，我们的模型既能产生连贯的主题又能反映有意义的话语行为。进一步的研究表明，我们的主题和话语表征可以增强微博信息分类的性能，特别是在分类器联合训练的情况下。

Mar, 2019

本文介绍了使用 Conversational Semantic Relationship RNN 模型解决多轮对话中相关性和差异性的挑战，模型包含三个层级：言语层面、对话层面和发言层面，能够识别全局背景和主题信息，并提高了响应的连贯性和多样性。

Jun, 2019

本文提出 DisCOC 方法，通过注入和融合大规模语言模型派生的上下文化特征和句子结构语义信息，实现通过路径上的语篇结构确定辩论中有效干扰因素的目标。实验证明，显式建立上下文和文本之间的关系以及对上下文路径的话语结构进行建模都有助于提高 Durmus 等人（2019）提出的辩论结构分类任务的性能，并且在实验中人们可以进一步了解要分类的论点语境路径之间的语篇结构，从而提高分类性能。

Jun, 2021

通过对话的主题结构进行分段，以便更好地理解对话的结构和组织方式。

Feb, 2024

对话中的语言协调、显式回复、对话结构、人际协调和层次主题模型进行研究。

Nov, 2023

本研究提出了一种深度、全局归一化的主题模型，该模型考虑了社交生成语料库中文档之间的结构关系，并通过加入观察到的回复链接来捕捉对话交互信息，以及使用深度体系结构排列的潜在分布式表示，以实现基于 GPU 的有效比例推理过程。我们将该模型应用于 Reddit 论坛中的新社交媒体数据集，并对多个指标进行了评估，包括困惑度和元数据预测，并定量分析了所学到的交互模式。

Sep, 2018

通过调查一对一在线聊天中推断聊天依赖关系的任务，本文提出了一种新颖的基于概率的分类器，该分类器利用了对话，词汇和语义信息，并从一个中国电子商务网站的客户服务聊天记录中进行了实证评估，表现优于基准启发式方法。

Dec, 2016

时间压力和话题协商对人们在即兴对话环境中利用话语关系（DRs）存在限制。本研究使用初学者注释的众包数据，将一种面向书面语的 DR 系统适应到即兴对话中，并测试不同类型的多发话语环境中的话语关系使用情况。我们比较说话者内部和跨说话者以及连续回合内部和跨连续回合的 DR 注释模式。最终，我们发现不同的话语环境产生不同的话语关系分布，而单个回合的注释给注释者带来最大的不确定性。此外，我们发现话语关系注释的质量足以从话语单位的嵌入中进行预测。

Jul, 2023