本研究通过 attention-based stacked bidirectional Long Short Term Memory Network followed by Hierarchical Clustering 和 Support Vector Machines、Logistic Regression 模型，开发出一个挖掘客户呼叫原因和驱动因素的框架，以提高数字信息环境下客户满意度并降低业务成本。

Oct, 2021

通过使用大型语言模型（LLMs），我们提出了一个框架，可以自动生成与产品有关的上下文、有用、可回答、流畅且多样化的问题，并建议这些问题给客户作为帮助和提示，从而实现更顺畅、更快速、减少对话开销和摩擦的购物体验。

May, 2024

本论文比较了三种模型在自动客服中的应用：检索模型，基于序列到序列模型的注意力模型和 Transformer 模型。其中，实验表明序列到序列模型在语义和词重复方面优于其他两种模型。

Sep, 2018

本文描述了一个使用 Kaldi 框架的语音文本处理方法，在不同的语义标记方法中选择组合机器学习模型，并使用决策树进行标记的实验。结果表明，该方法提供了更好的性能和更可解释的模型，对数据准备的复杂性做出了改进，能够对联系中心的运营产生潜在影响。

Mar, 2022

研究使用对话式多轮数据的方法加速训练自然语言到查询语言的机器学习模型，旨在解决领域数据有限及集成过程繁琐耗时等问题。

May, 2020

研究智能助手是否可以匹配用户的聊天意图，构建了新的数据集以及使用推特和 Web 搜索查询来处理无特定领域的用户发言，实验结果表明，使用 tweets 和 Web 搜索查询可以进一步提高智能助手的 F1 分数。

May, 2017

本篇论文描述了借助不同的搜索和结构化数据源，如何帮助 SlugBot 产生对话回合并进行长达 8 分钟 17 秒的对话，从而以应对持续的多轮对话等挑战性问题。

Sep, 2017

本文提出了意图发现框架，通过自动聚类类似用户话语并手动注释，再通过对未被聚类映射的话语标记意图标签和标记传播，从原始对话中生成意图训练数据，以有效地解决在聊天机器人开发过程中遇到的用户话语分类问题，并验证了该框架的有效性。

May, 2020

本文研究了对话推荐系统中的最近工作，并介绍了一种将上下文化的输入与学习模型联系起来以支持意图识别的方法，使用 transformer 基础模型在数据集 MSDialogue 上进行了性能评估。

Dec, 2022

本论文提出一种基于双 LSTM 架构的研究，致力于人 - 人客户支持话语交互中在线实时识别来电者意图的问题，以提高用户体验，并在电信客户支持领域的数据集上进行了实验分析。

Aug, 2022