走向开放领域对话学习
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。
Jun, 2020
本文研究采用对话行为来模拟人类社交聊天的开放领域对话生成，利用行为策略来管理人机交互流程，并结合强化学习方法对策略进行优化，从而在机器仿真和人机交互中获得了显著响应质量的提升。
Jul, 2018
本研究提出了一种基于关键词控制的方法，通过监督学习和话语级别的限制引导自然对话流向指定目标，我们通过创建增强的关键词对话数据集进行定量和人类评估，证明了我们的系统相对于其他方法可以产生有意义且有效的对话。
May, 2019
本文提出使用不断学习的方法，通过与用户进行对话，改进对话系统（chatbots）中按人工规则编译知识库和局限于理解自然语言的能力，提高在多种语言表达和聊天技能方面的用户满意度。
Sep, 2020
该论文讨论了构建一个引人入胜的开放领域对话代理所必需的特质，研究成果以及未来的发展空间。特别是，讨论了不断学习、提供引人入胜的内容和良好行为的特性，以及如何衡量其成功。最后总结了作者的经验和建议。
Jun, 2020
本文探讨了使用增强学习的方式，通过与人类交互并接受其反馈来提高对话代理的能力，模拟了在人工环境中的各种学习情况，介绍了适用于此类学习的模型，并通过机械土耳其实验验证了此方法。
Nov, 2016
本文介绍一种基于神经网络的端到端可训练的目标导向对话系统，以及一种新的数据收集方法，该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统，帮助用户在餐厅搜索领域自然地交流并完成任务。
Apr, 2016