本文提出了一种新的有监督范式，用于解决语篇分析中域依赖的问题，通过梯度提升框架引入弱分类器级联模型，设计了第一个完全有监督的语篇分析器。
Oct, 2022
该文章介绍了基于统计方法的语篇分割器，可用于五种语言和三个领域中，无需事先标注的数据，并且提供了有监督和无监督学习的结果。
Apr, 2017
本文提出了一种序列到序列的注意力重点改进的方法，用于跨域语义分析的域间适应问题，并且对预先训练的词嵌入进行了标准化，这种方法在 Overnight 数据集上有显着的改进。
研究了跨领域环境下的任务导向对话问题，并探讨了通过使用特定的状态监测组件和混合式系统来提高任务信念跟踪准确率的方法。
Sep, 2019
本文提出了一种深度顺序模型，用于解析多方对话的话语依赖结构，并利用预测的依赖关系和结构类型共同和交替地构建话语结构，实现基于序列扫描的话语依赖树构建。实验结果表明，该模型的性能优于所有最先进的基线。
Dec, 2018
本文通过探索来自词嵌入、语言模型功能以及词嵌入空间的拓扑特征等不同特征，实现了系统以纯数据驱动的方式在对话中发现领域、插槽和值的实现，并在 Schema-Guided Dialogue 数据集中取得了优异结果，结果表明这种方法对本体论归纳以及继续开发对话和自然语言处理研究具有重要意义。
Aug, 2022
本文提出了一种利用两阶段粗到细的框架进行领域自适应的新型语义解析器，能够在目标域与源域数据相比相对少的情况下实现自适应，并显著改进了现有领域自适应策略。
Jun, 2020
本研究分析了神经网络开放领域对话系统所学习的内部表示，并评估了这些表示的质量以学习基本的交谈技巧。结果表明，标准的开放领域对话系统难以回答问题、推断矛盾并确定对话话题等任务，需要更多的研究来探讨建筑和训练方法，从而更好地捕捉有关对话的高级信息。
本文提出了一种基于领域本体的框架，通过生成人类可理解的自然语言模板，从而将自然语言句子转化为机器可读的含义表示；并解决了语义解析在大规模领域中由训练数据的获取以及模型推广的复杂度所面临的挑战，该框架在六个领域进行数据训练，证明了其能快速且低成本地进行语义解析。
我们提出了一个神经共同生成模型，可以同时生成对话行为和响应，相比于现有的流水线方法，我们的模型可以保留多领域对话行为的语义结构并动态关注不同的对话行为，通过在 MultiWOZ 数据集上的测试，我们的模型在自动评估和人类评估中都比几种最先进的模型表现得要好很多。
Apr, 2020