doc2dial 是一种以文档为基础的目标导向的对话数据集，包含来自四个领域超过 480 个文档的约 4800 个带注释的对话，通过引入多重对话建模任务和基线方法来评估数据集的多功能性。

Nov, 2020

该研究提出了 MultiDoc2Dial，这是一个针对建模基于多个文档的目标导向对话的新任务和数据集，旨在为更真实的信息寻求对话场景提供支持，并介绍了一个新的包含来自四个不同领域的基于多个文档的对话的数据集，探索了其基于对话和文档的上下文表示，提供了强基线方法和各种实验结果，支持进一步的研究工作。

Sep, 2021

本研究提供了一个新的对话数据集 CookDial，该数据集在任务导向的对话系统中将过程知识理解与复杂代理决策相结合。为了应对任务导向的对话系统中的三个挑战性子任务，并针对每个任务开发了一个神经基准模型，并在 CookDial 数据集上进行了评估。

Jun, 2022

该论文提出一种名为 Dialogue Description（Dial2Desc）的新任务，使用新的神经注意力模型对话述简系统实现对话内容的简洁概括，相对于其他基准测试结果具备了更高地描述准确性和可读性。

Nov, 2018

本文总结了我们在第 9 和 10 个对话系统技术挑战赛（DSTC9 和 DSTC10）的文档驱动对话任务中的贡献，包括知识选择，数据增强，响应生成和评估指标等领域。

Apr, 2023

本文介绍了一种用于收集大型语言模型生成对话的框架，用来收集 MathDial 数据集，这个数据集由约 1.5k 个多步骤数学词问题的辅导对话组成，并展示了该数据集具有丰富的教学特性，可以用于调整语言模型以成为更有效的辅导员，并强调了需要解决研究共同体的挑战。

May, 2023

该研究介绍了一个新的数据集 Taskmaster-1，其中包括 13,215 个基于任务的对话，包括六个领域。数据集包含了更多现实和多样化的对话，使用了两种不同的方法进行数据收集并提供了多个基准模型，其中 API 调用和参数被标记为基于任务的对话系统的研究、开发和设计提供了新的前景。

Sep, 2019

本文介绍了我们在第十届对话系统技术挑战赛第二轨知识引导的任务导向对话建模中的提交内容。在适应 ASR 转录的噪声方面探索不同的方法来使得模型更加健壮，并采用噪声通道模型来适应口语交流的风格。我们的最佳系统在挑战的自动和人工评估中分别排名第一和第三。

Dec, 2021

本研究提出了一个基于真实情境的多模交互对话数据集 SIMMC 2.0，收集了 11,000 个在购物领域的用户 <-> 助手任务对话。数据集通过模拟器和手工语句改写收集，可用于对话系统的基准测试和自然语言处理研究。

Apr, 2021

我们构建了一个名为 InfoVisDial 的视觉对话数据集，通过将大规模多模态模型（如 GIT）和语言模型（如 GPT-3）进行有效的数据收集，利用可生成信息丰富的对话，最后通过人工筛选生成的对话来证明其覆盖了信息丰富且多样化的对话主题，为视觉对话任务提供了一个强有力的基线。

Dec, 2023