这项工作引入了一种无监督的学习层次对话结构的方法，包括对话行为和子任务。结构显示对于三个会话级理解任务，包括对话模型的优化是有用的。此外，通过自动摘要，学习的有限状态子对话网络是可解释的。

May, 2022

本论文提出了一种在对话系统中探讨关系抽取的有效方式，并在三个领域的数据集上进行了实验验证，该方法有效地扩展了对话系统的能力，并且简化注释方案可以通过使用关系注释的表达能力，减少词槽数量同时仍然捕获用户的意图。

Oct, 2022

本文提出了一种新的对话结构学习框架 CTRLStruct，该框架利用双向变压器编码对话文章，进一步通过对比学习任务训练来提高表示力，利用无标签信息有效地探索主题级对话集群及其转换，形成对话结构图，最终将该图结合到对话模型中进行生成，以实现更可控、可解释的响应生成。在两个受欢迎的开放领域对话数据集上进行实验，结果表明该模型可以生成比某些优秀对话模型更连贯的响应，并在对话话语表示中优于一些典型的句子嵌入方法。

Mar, 2023

本文研究基于 Pre-trained Language Models (PLMs) 的注意力矩阵构建对话结构的方法，提出了一种无监督和半监督的方法来定位和利用 PLMs 中的语篇信息，并在 STAC 语料库上获得了令人鼓舞的结果。

Feb, 2023

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

本文研究了利用半监督学习方法在构建神经对话系统时可以减少中间标签的数量，发现可以利用未注释数据来显著减少对话状态的转换级别注释，同时在 MultiWOZ 语料库上进行了分析并提出了第一个端到端的对话模型。

Nov, 2019

提出了一种无监督的方法来从未标注的对话语料库中识别 slot schema，通过在特定领域的语言模型和无监督的解析结构的帮助下提取候选槽位，并通过从粗到细的聚类来诱导槽类型，显示了该方法在 MultiWoz 和 SGD 数据集上诱导槽模式的显着性能改进，并证明了诱导槽模式对于对话状态跟踪和响应生成的有效性。

May, 2022

本文提出了一种基于层级标注的语义解析方案，能够有效且准确地分析复杂的组合查询，同时发布了包含 44000 个标注查询的数据集，并证明此方案在标准句法分析模型上的表现优于序列到序列的方案。

Oct, 2018

本文介绍了一种基于自注意力机制的会话状态追踪器，可以自动学习语境中的预定义槽之间的相关性，实验结果表明，在两个多领域任务导向对话数据集（包括 MultiWOZ 2.0 和 MultiWOZ 2.1）上取得了最先进的性能

Jan, 2021

我们提出了一种从对话历史中无监督地发现对话流的方法，从而使该过程适用于任何提供这样历史的领域。通过将话语表示为向量空间并根据语义相似性进行聚类，然后使用这些聚类作为转换图的顶点来可视化对话流。我们通过在 MultiWOZ 上进行实验，发现了具有显著意义和相关性的对话流，并引入了一个自动验证度量标准进行评估。实验结果表明，这种提取任务导向对话中有意义流的方法具有潜力。

May, 2024