本文探讨如何通过主动学习来标记共指关系，比较了不同的不确定性采样策略和文档阅读成本，并发现在同一文档中标注跨度比在多个文档中标注跨度更加有效。研究结果有助于更加实际地开发共指关系解析模型。

Apr, 2021

本论文提出了一种用于解决社交对话中省略现象的方法，通过使用端到端指针网络模型对用户发言进行补全，结合原始发言和自动补全发言来进行对话行为预测和语义角色标注任务。该方法在社交对话中分别将对话行为预测和语义角色标注的 F1 分数提高了 1.3% 和 2.5%。同时，我们提供了一个包含手动完成用户发言和手动完成后的语义角色标注的开放域人机对话数据集。

Nov, 2019

本研究提出一种新颖的联合学习框架，用于解决复杂的多轮对话理解中的指代消解和查询重写，通过在进行中的对话中预测查询和对话上下文之间的指代链，并生成自包含的重写查询，可显著提高查询重写的性能，并在数据集 MuDoCo 上优于最先进的指代解析模型。

May, 2021

通过向注释者询问是否存在指代关系来改进具有重要性的学习，结合了新的提及聚类算法进行选择标签的例子，证明此额外问题提供的信号会导致每个人 - 注释小时的显著性能提高。

Apr, 2020

研究神经方法在抽象对话摘要模型中显式地结合指代信息的不同方法来解决对话中的核心参照问题，发现这样的模型在追踪对话过程中的信息流和关联与对应的讲话者和人物提及方面需要更准确且精确。

Jun, 2021

本文提出两个基于人类对话语言知识和语境特征的软约束来改进模型的对话代词消解能力，将这两个约束嵌入到深度 transformer 神经架构中。实验结果显示出了本模型在 VisDial v1.0 数据集上相比于现有模型的性能提升，无需预训练其他视觉语言数据集。

Mar, 2022

本文介绍了一个针对在线购物应用中的任务的交互式基于语言的图像检索任务中训练分层对话策略来共同执行澄清和主动学习的方法，并表明联合学习对于这两个功能的静态对话策略的使用更有效。

Jun, 2020

Action-Based Contrastive Self-Training (ACT) is a quasi-online preference optimization algorithm that improves conversation modeling in large language models (LLMs), particularly in the area of disambiguation and dialogue policy learning.

May, 2024

本文提出了一种针对在线解码的指代消解方向，其针对包含对话在内的实时生成输入的场景，在每个对话轮次上，该模型接受一个话语和其过去的语境，然后查找当前话语中的提及以及它们的指代。该文章提出了基线和四个增量更新的模型，适应于提到链接范式的新设置，其中包括单一实例、说话人定位编码和跨轮次提及的情境化。在 Friends、OntoNotes 和 BOLT 这三个数据集上评估我们的方法，结果表明每个方面都带来了稳定的改进，我们最好的模型比基线高出 10％以上，是这个场景的一个有效系统。进一步分析突出了任务特点，例如解决提及回忆的重要性。

May, 2022

提出了一种名为 CLARIFIER 的交互式学习框架，它利用自动化标签建议和不同难度级别的数据实例，实现更有效地利用人类交互以提高主动学习的性能。

Jun, 2023