使用大型语言模型（LLMs）的上下文学习能力与业务逻辑的确定执行相结合，描述了一种构建面向任务的对话系统的系统。与主要用于行业的基于意图的 NLU 方法相比较，我们的实验表明，使用我们的系统开发聊天机器人所需的工作量明显较少，这些聊天机器人可以成功地进行复杂对话，并且我们的系统对于大规模任务导向的对话系统具有可扩展的有益特性。我们提供了我们的实现用于使用和进一步研究。

Feb, 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

提出了一种基于行动级别生成的任务导向对话系统，采用基于序列到序列模型的方法，将大规模对话中的每个自然语言响应表示为一系列对话行动，并将其转换为语音响应，实现了控制能力和效率之间的平衡。

Apr, 2023

探索如何从社交对话到任务导向对话的平滑转换，为触发商业机会提供支持。提出了一个自动生成对话的框架，并在此基础上发布了一个大规模数据集，该数据集为未来的研究和商业活动提供了巨大的潜力。

Apr, 2022

本文探讨了任务导向对话系统的最新研究进展和挑战，特别在三个关键领域进行了深入讨论：提高数据效率、模拟多回合动态以优化任务完成性能，以及将领域本体知识与对话模型集成。此外，还评估了最近的对话进展和一些常用的语料库。我们相信，这虽然不是一个完整的调查，但它仍然可以为未来任务导向对话系统的研究提供启示。

Mar, 2020

本文介绍了 SalesBot 2.0，通过使用大型语言模型的常识知识逐渐缩小闲聊和面向任务的对话之间的差距，构建了一个新的大规模数据集，提供了更加平滑的话题转换和更加接近人类自然性和一致性的对话，对学术研究和商业应用都具有重要价值，并提出了一种框架可以用于生成具有各种目标意图的对话。

Aug, 2023

本文提出了一种基于交替任务导向的社交对话框架，该框架使用强化学习算法训练策略，以维持长时间的会话连贯性和一致性，使系统能够在任务和非任务内容之间实现平滑的过渡。实验表明，将社交对话内容与任务对话相结合的系统比纯任务导向的系统具有更好的任务成功率和更高的用户参与度。

Mar, 2017

Converse 是一种基于任务、灵活性高的对话系统，采用模块化设计并提供强大的多任务对话管理功能，支持任务依赖和任务切换，是一种易于构建和维护的机器人建造工具，适用于专业和非专业开发人员。

Mar, 2022

提出了一种人工智能虚拟助手对话系统，名为 ACCENTOR，目的是将聊天型机器人和任务导向型系统相结合以实现更加 engaging 和 interative 的交谈体验，通过添加 chit-chat 的方式，将人机交互设计更为实用和有趣。研究采用全新的数据收集和生成方法来提高系统的性能，并设计了三种不同的模型进行实验，与现有任务导向型四种方法相比，实现了更具情境感和人性化的 chit-chat 响应。

Oct, 2020

本研究提出了一种用于处理商业任务导向型对话系统中未识别用户语句的端到端管道，包括特定定制聚类算法、新颖的聚类代表提取方法和聚类命名。通过评估这些组件，证明了它们在分析未识别用户请求方面的益处。

Apr, 2022