该研究论文提供了关于代理人和用户之间对话式搜索过程的概念化，为对话式搜索代理开展研究、开发和评估提供了框架和起点。

Apr, 2024

本文分析了不同的交互方式和策略在交谈式搜索中的表现（采用两种不同的混合倡议方法：查询建议和查询澄清），并发现查询澄清在首先提出时更有效，而查询建议则在展示结果后提出时更好。此外，作者强调了分析 CSA 所涉及的复杂性和挑战，为批处理 / 离线设置中评估会话策略和会话搜索代理奠定了基础。

Sep, 2021

本研究提出了一种基于非相关项驱动的产品搜索对话范式，该范式旨在收集和利用细粒度反馈，以在下一次迭代中显示更好的结果。我们提出了一种方面 - 价值可能性模型，用于结合正反馈和负反馈。实验结果表明，我们的模型比基于项级负反馈和不使用反馈的最先进的产品搜索基线显着更好。

Sep, 2019

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

提出了一种风险感知的对话式搜索代理模型，平衡了回答用户查询和提出澄清问题的风险，并通过强化学习策略在 MSDialog 数据集上得到了比非风险感知基线更好的结果。

Jan, 2021

该研究分析了词汇排名模型在具有澄清问题的会话搜索数据集上的性能，探讨了不同方面的澄清问题和用户答案如何影响排名的质量，并介绍了一种基于启发式的词汇基线，它明显优于现有的朴素基线。

Aug, 2020

我们提出了一个简单而有效的方法来处理对澄清问题的回答，并介绍了一个对用户提出的问题和回答进行有用性评估的分类器，将有用的问题或回答附加到对话历史中，并传递给基于 transformer 的查询重写模块，实验证明与非混合主动的基线相比有显著改进。此外，所提出的方法缓解了使用不实用的问题和回答时性能下降的问题。

Jan, 2024

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

本文提出了利用基于自我注意力的神经网络的机器理解方法，来解决电子商务对话搜索中的查询跟踪问题，并构建了一种新的数据集，实验结果表明，该模型在精确匹配度和 F1 得分方面优于几种基线模型，展示了机器理解模型在此任务上的潜力。

Oct, 2018

研究了信息检索中用户意图识别的两个方面，提取基于内容，结构和情感特征的特征，利用经典机器学习方法执行用户意图预测，使用特征重要性分析确定了结构特征对预测的贡献最大，并构建了神经分类器以提高性能。

Jan, 2019