本文概述了对话式信息检索（CIS）的定义、应用、交互、界面、设计、实现和评估，并介绍了 CIS 的现状，挑战和未来发展方向。

Jan, 2022

对话式信息获取是一种新兴的知识获取和探索性搜索范式，本论文旨在探索对话式信息获取中的答案重写方法，使用户能够理解答案而无需借助外部服务或来源。通过创建带有突出实体注释的对话数据集，该研究发现大多数答案包含重要实体。提出了两种旨在改善对话式信息获取中用户体验的答案重写策略，其中一种方法是通过内联定义重写答案，使答案在自身中包含所述重要实体的定义；另一种方法是通过补充后续问题来补充答案，使用户可以进一步了解特定实体。众包研究结果表明，重写后的答案明显优于原始答案。同时发现内联定义往往优于后续问题，但这种选择高度主观，这为个性化提供了一个有希望的未来方向。

Mar, 2024

提出了一种名为 ISEEQ 的新方法，利用知识图谱和深度生成对抗强化学习等技术从短语查询中生成高质量的信息请求问题，从而推进对话式信息查询技术的发展，并在多个数据集上进行了详细的实验和人工评估。

Dec, 2021

通过 Wizard-of-Oz 对话任务，探索了用户对已知事实的回应与对话参与度之间的相关性，进而提出一种结合用户先前知识的多任务模型，使得数字助手能够更好地理解用户需求并提高用户参与度。

May, 2020

本文讨论了 Conversational Agents（CAs）和 Conversational Search（CS）的研究，提出了一个使用自然语言与搜索引擎对话的系统，并使用 Crowdsourcing 平台的工作人员创建了 Search as a Conversation（SaaC）数据集以及基于该数据集开发的最新的 Conversations with Search Engines（CaSE）管道，该管道引入了一个支持标记识别模块和先验知识指针生成器以生成更准确的响应，并通过实验表明 CaSE 能够胜过强基线模型。

Apr, 2020

本论文研究了利用上下文学习和预训练语言表示模型来解决过程描述文档中信息提取的问题，与原生 GPT-3 模型一起，通过注入概念定义和少量样本进行了两个上下文学习操作。研究结果显示了该方法的潜力和上下文学习的有用性，同时也指出了控制流关系所带来的挑战。

Mar, 2022

该论文介绍了 INSCIT 数据集，该数据集用于信息搜索对话的研究，其中包含 805 个人 - 人之间的对话中的 4.7K 用户 - 代理器的交互，定义了证据段落识别和响应生成的两个子任务，以及一个新的人类评估协议以评估模型的性能，证实现有大量改进的空间。

Jul, 2022

通过对对话式搜索系统进行系统性文献回顾，我们识别出了真实世界的应用场景、系统架构和功能组件，给出了一个分层架构框架，并解释了对话式搜索系统的核心功能。此外，我们讨论了大型语言模型的能力、局限性和未来研究方向。

Jul, 2024

本文研究了如何设计对话式搜索系统以协助用户在不熟悉的领域进行信息探索，并通过实验研究采用统计分析和过程挖掘技术发现了用户在不同领域中的一般信息需求类型和对话行为，从而得出了为对话式搜索系统提供设计建议的结论。

Jan, 2023

介绍了近年来发展的神经网络方法在对话式信息检索系统中的应用，并聚焦于自然语言处理，多轮对话，以及以人为中心的交互。

Jan, 2022