我们使用预训练的语言模型来研究基于知识的对话生成，通过知识选择模块和无监督方法来优化知识选择和响应生成，实验结果表明，我们的模型在自动评估和人类判断方面都显著优于现有方法。

Oct, 2020

本文针对神经网络模型生成内容不足的对话应用展开了研究，提出了一种全新的、基于数据和知识驱动的神经对话模型，该模型通过同时考虑历史对话和外部 “事实” 来生成更有用的回应，实验证明该方法在开放领域中具有广泛应用前景，相较于基线模型的 Seq2Seq 方法，能够显著提高输出的信息量。

Feb, 2017

该论文尝试采用一个采用联合关注机制、根据对话上下文和额外知识信息的变分生成模型，生成多样和信息丰富的回复，解决了现有模型难以生成具有信息量的回复的问题。

Mar, 2019

在低资源环境下，通过设计一种解耦响应解码器使模型可以仅从大量未接地对话和非结构化文档中学习，而只使用有限的训练示例就能很好地拟合剩余的小参数。在两个基准测试上的评估结果表明，我们的模型仅使用 1/8 的训练数据就可以实现最先进的性能，而且对领域外知识有很好的概括能力。

Feb, 2020

在知识驱动的对话背景下，我们探讨问题生成的可解释性和评估。通过在规划为基础的摘要生成工作的启发下，我们提出了一个模型，该模型先顺序预测一个事实，然后再预测一个问题，与仅生成问题的标准模型相比，虽然推理要求更高，但我们的方法在相关性、事实性和代词化方面的详细无参照模型行为评估方面表现相当。

Apr, 2024

论文提出了一种名为 `SKT` 的序列潜变量模型，该模型可提高多轮对话的知识选择准确性，并相应地改进了话语生成的绩效；实验结果表明，该模型在大规模对话评估中取得了最先进的表现。

Feb, 2020

本文提出了一种生成式方法，名为 GenKS，用于在基于对话历史的语境下选择适当的知识片段，该方法通过序列到序列模型生成标识符来选择片段，捕捉片段之间的内部知识交互，并通过超链接机制显式地建模对话 - 知识交互，同时在三个基准数据集上进行实验并证明 GenKS 在知识选择和响应生成方面取得了最佳结果。

Apr, 2023

本文提出了基于弱监督学习的三阶段学习框架和一种变体 Transformer 来构建知识驱动的对话系统。评估结果表明该方法在少量训练数据甚至零资源的情况下仍然表现出色。

Sep, 2021

该论文介绍了一种名为 KnowExpert 的框架，将轻量级适配器注入预训练的语言模型中，在没有显式检索的情况下适应知识驱动的对话任务。实验结果表明，Knowexpert 的推理效率高，且在开放领域闲聊场景中的表现与一些基于检索的基线方法相当，证明了我们提出的方法的有效性。

May, 2021

本文提出了一个模块化的知识转换模型（K2R）来将知识纳入对话体系，通过将这一问题分解为两个简单的步骤来解决对该问题的挑战。在详细实验中，我们发现这种模型在与知识相关的对话任务中幻觉较少，并且具有解释性和模块化方面的优势。

Nov, 2021