研究使用对话式多轮数据的方法加速训练自然语言到查询语言的机器学习模型，旨在解决领域数据有限及集成过程繁琐耗时等问题。

May, 2020

本研究提出了 CATS 数据集，它是一个实用的基于表格问答系统的大规模高质量的答案到描述的中文数据集，并通过提出统一图转换方法，将这一任务转化为图到文本问题，以建立输入 SQL 和表之间的语义对齐。实验结果表明了我们提出的方法的有效性，并进一步分析了 CATS 数据集的质量和挑战。

Jun, 2023

Alexa Conversations 是一种新的目标导向对话系统构建方法，它使用基于对 API 和实体的规格的对话模拟器来生成对话，提供了对自然对话现象的支持，并通过减轻开发人员的负担来降低了对话系统的创建成本。

Apr, 2021

采用聊天机器人来提供对表格数据源的交互式探索，可以使公民利用数据。聊天机器人是通过一种可配置的对话模式从数据源自动生成的。

May, 2023

对多轮对话数据生成进行了系统综述，包括开放领域对话系统、任务导向对话系统和信息搜索对话系统，提出了一个概括对话数据生成系统主要原则的通用框架，并探讨了合成对话数据的评估指标和方法、当前领域的挑战以及未来研究的潜在方向。

May, 2024

本文综述了对话代理人（CAs）的概念，讨论聊天机器人和面向任务的代理人的不同应用，并探讨了具有身体特征的对话代理人的概念。本文详细讨论了在 CAs 中表示对话的各种方法，以及评估此类代理人的方法，重点强调问责和可诠释性。本文还提供了各种应用场景的广泛概述，特别是在健康和教育领域。最后，本文讨论了当前和未来 CAs 技术所带来的社会影响的利弊和潜在风险。

Feb, 2022

鉴于大型语言模型的最新进展，下一代虚拟助手的期望包括在各种使用场景中增强自然性和适应性。为了解决为面向任务的对话（TOD）创建高质量的注释数据的缓慢和昂贵问题，我们介绍了面向任务的自动对话（TOAD），以及其自动生成流程。TOAD 数据集模拟了真实的应用程序上下文交互，并提供了多种系统响应样式选项。我们在两个响应生成任务上对 TOAD 进行了基准测试，结果表明，对建模更冗长或没有用户表情的响应更具挑战性。

Feb, 2024

通过引入认知启发式方法，通过计算语义和情节记忆、情绪、工作记忆和学习能力来解决对话代理人的技术和社交问题。

Nov, 2023

通过学习对话任务数据的分割而不是使用句子边界的分割方法，我们提出了一种强大的对话合成方法，通过该方法生成的合成数据集在机器和人员评估中表现出优越的质量，同时在 ConvQA 检索系统预训练中使用我们的填充数据，观察到 OR-QuAC 基准测试数据的显著提升。

Jun, 2024

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