本文介绍了一种用于解释任务对话建模的新型系统，基于离散潜变量表示对话行为。该模型基于变分循环神经网络，无需显式的语义信息。与以前的工作不同，我们的方法分别对系统和用户轮次进行建模，同时执行数据库查询建模，使得该模型适用于任务对话，同时生成易于解释的操作潜变量。我们展示了我们的模型在三个数据集上以较少的监督下在困惑度和 BLEU 方面优于以前的方法，并提出了一种衡量对话成功的新方法，无需专家注释。最后，我们提出了一种关于系统操作的潜变量语义的新方法来解释。

Sep, 2022

本研究旨在提高医学对话生成的准确性，采用基于专业术语的特征并利用注意机制和辅助术语识别任务填补医学背景与常见话语之间的语义鸿沟，证实该框架优于目前最先进的语言模型。此外，我们提供了一个新的具有医学术语注释的数据集以支持医学对话生成的研究。

Oct, 2022

通过仿真临床医生的诊断推理过程来构建与临床医生诊断推理过程相一致的医疗对话系统，提出了一种新颖的 Emulation 框架，通过思维过程建模，生成与临床医生偏好相一致的妥当回应，并且为生成的回应提供明确的解释，增强了在医学咨询中的透明度。

Jun, 2024

提出了一种框架，基于特定属性实现条件式回应生成，应用于两种不同的情景，结果表明模型在生成符合指定属性的响应方面具有潜力。

Apr, 2017

本文研究了基于视频对话生成，提出一种方法，可以将视频数据集成到预训练语言模型中，通过多模态推理实现各种模态之间的互补信息，实验结果表明，该模型能够在自动和人工评估方面显著优于现有的最先进模型。

Oct, 2022

提出了一种基于用户人格检测的个性化对话生成器，该方法使用条件变分推理建立用户潜在人格模型并利用后验鉴别正则化提高训练效果，在实证研究中实现比现有技术更高的对用户人格关注和提升了对话品质的效果。

Apr, 2022

该论文尝试采用一个采用联合关注机制、根据对话上下文和额外知识信息的变分生成模型，生成多样和信息丰富的回复，解决了现有模型难以生成具有信息量的回复的问题。

Mar, 2019

本研究使用 GPT-3 模型，将医学对话摘要问题离散成多个对话理解任务，并动态构建少样本提示进行实验，开发了基于 GPT 的度量标准，评估任务性能，经过研究评价证实，此方法生成的摘要临床准确性优于基准方法。

May, 2023

本文提出了一种新的模型来解决复杂的视觉对话结构问题，并将其明确地形式化为具有部分观察节点和未知图结构（对话中的关系）的图形模型中的推断问题。通过期望最大化算法，我们可以在推理过程中推断出潜在的对话结构和所需的答案值，并提出了一种可微分图神经网络解决方案。实验证明，我们的模型在 VisDial 和 VisDial-Q 数据集上表现优异，并且能够推断出更好的对话推理潜在结构。

Apr, 2019

通过定义多层次状态结构和使用基于提示的生成方法，我们提出了一种医疗对话系统中跟踪对话状态的解决方案，该方法有效地解决了数据稀缺问题，并表现出超过其他方法的性能。

Mar, 2022