本文提出了一种基于异构图表示的对话解缠方法，构建了不同的讨论结构特征模型，包括静态发言角色结构和动态背景结构，并采用层级排名损失和易于首先解码算法来实现话语理解和分离。

Jun, 2023

本文提出了一种面向在线对话分离的端到端框架，利用注意力机制和联合学习目标实现对话分离，并在 Ubuntu IRC 数据集上取得了表现最好的结果。

Oct, 2020

该篇论文介绍了一种基于结构化编码和矩阵树学习算法的对话语篇分析方法，该方法通过编码和解码进行分析，不依赖手工特征，并在实验中达到了新的最优效果。

Jun, 2023

该研究提出了一种基于双层对比学习的通话分离模型，旨在处理多方对话中的基本任务，同时在有监督和无监督学习的设置下，均可取得最先进的性能表现。

Oct, 2022

提出了一种名为 CluCDD 的模型，该模型通过对话分离技术和对比学习聚合话语，以生成预测聚类标签并取得最新的最优结果。

Feb, 2023

本文提出了一种用于研究电影和电视剧中的对话分离的新数据集，并比较了几种分离模型在数据集上的表现。我们发现，与预期相反，过去 40 年中平均线程长度并没有显著降低，并且由女性扮演的角色相对于其发言时间更容易引发新的对话线程。

May, 2023

通过主题分割和话语解析，我们提出了一种无监督的两种结构的互学习框架，以实现对话系统的全局目标和话语策略的一致性。实验结果表明，我们的方法在两个对话话语数据集（STAC 和 Molweni）以及对话主题数据集（Doc2Dial 和 TIAGE）上优于所有强基准模型。

May, 2024

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

该研究提出了一种通过对话上下文进行关系推理来指导神经响应生成的方法，并在多方对话中展示出优于基线模型的效果。

Mar, 2024

本文提出一种在面向任务的对话中提取结构化信息的方法，通过使用预训练模型检测和聚类可能的槽标记来逼近目标领域的对话本体，在此基础上推导出状态转移结构，实验结果表明这种方法在对话结构提取方面表现比无监督基线模型更好，此外，通过基于提取的结构进行数据增强可以大幅提高对话响应生成的性能。

Feb, 2022