本文提出一种基于自然语言的交易协商机制，使用层次对话行为和监督学习、强化学习或领域特定知识对策略进行灵活设置，并利用检索式生成来维持上下文感知性和产生多样化话语。结果表明我们的系统比之前的方法具有更高的任务成功率和更类人的谈判行为。

Aug, 2018

本文提出一种适用于任务导向型对话系统的模型，利用知识库和对话的依存关系图结构信息解决了如何有效地将外部知识库整合到学习框架中以及如何准确捕捉对话历史语义的挑战。此外，该模型采用多跳推理能力以及循环单元架构进行表示学习。实验结果表明，该模型在两个不同的任务导向型对话数据集上均优于现有模型。

Oct, 2020

使用增强学习方法构建的基于图的多轮对话系统，通过识别意图元素和标准查询来识别用户的意图，并提供可视化组件以监测对话的推理路径，大大便于系统的进一步改进。

Oct, 2023

本研究提出新的基准测试系统 ——Diplomat，并针对语用推理和情境对话理解问题提出两个任务：语用识别与推理以及对话问答。通过在 4,177 个多轮对话中建立数据集，并利用状态 - 时间优化算法实现实验，发现大型语言模型表现不佳，情境理解是构建良好人机交互的关键因素，现有模型在语用推理应用方面存在缺陷，进一步需要更多的关注以提高对上下文的理解、推理和暗示意义建模的能力。

Jun, 2023

本研究使用基于图神经网络的结构化策略及不同程度的模仿学习，来有效地处理多领域对话，结果表明结构化策略优于标准策略。

Oct, 2022

本研究基于神经网络、自然语言处理和 Prolog 设计了一套对话引擎，可与排名文本数据库进行交互，在利用句法信息和 WordNet 等语义信息后能够动态展示文本图表中最相关的内容元素。

Jul, 2020

本文旨在研究任务驱动对话系统的可解释性，提出了一种采用前后明确逻辑推理的神经符号学方法，并设计了一种由假设生成器和推理器构成的两阶段方法来克服多跳推理带来的错误传播问题，实验结果证明该方法不仅获得了更好的效果，而且具有可解释性决策过程。

Mar, 2022

人工智能对话系统领域的研究趋势是基于认知心理学理论，将认知策略融入会话中，以达到有效说服他人，建立智能的对话代理系统。本文首先介绍了认知心理学理论和三种典型认知策略的定义。然后，提出了一种新的系统架构，详细研究了代表性工作，并总结了权威基准和评估指标。最后，对 CogAgent 的未来发展方向和存在的问题进行了观察与总结。

Feb, 2024

本文提出了一种新颖的关系感知图嵌入模型（GoG）用于视觉对话，该模型可以捕获对话历史中的代词和依赖关系以及问题和图像对象之间的关系，实验结果表明我们的模型在生成式和判别式的对话任务中都取得了显著的优势。

Sep, 2021

本研究提出了一种基于知识图增强的对话生成框架，使用层级图注意力来聚合伪节点上的图特征，并填补文本和图知识之间的语义差距，并促使语言模型更好地选择知识三元组以获得更丰富的响应。

Jun, 2023