引入 TEACh 数据集，通过三个基准测试，研究基于人类空间的机器人必须能够与人进行自然语言交互，理解和执行指令，使用会话来解决模糊性并从错误中恢复的具体挑战。

Oct, 2021

通过使用潜在对话行为模型 (DiactTOD) 预测和控制对话行为生成可控制的回应，该方法在 MultiWOZ 数据集上展示了在多种实验设置中的最先进性能，包括零样本、少样本和全样本微调，以及端到端和策略优化配置。

Aug, 2023

本文提出了一种基于统计学方法的对话行为建模方法，通过对词汇、语音、对话结构等多个方面的考虑对话行为进行检测和预测，并应用于语音识别和对话行为分类，实验表明取得了良好的对话行为分类精度和一定的语音识别效果提升。

Jun, 2000

本文提出了一种名为 CDAC 的深度学习算法，通过在 Switchboard 人际对话数据集上进行预训练并在人机对话数据集上微调，实现了上下文对话行为分类，并表明采用小样本人机对话数据微调 CDAC 模型可以更精确地预测真实用户的对话行为，为未来的改进提供了有希望的方向。

May, 2020

本研究提出了一种对话行为引导的上下文适配器网络，改善了多轮对话中自然语言识别的性能，相较于现有技术提高了数量级，具体表现为相对相对单词误差率降低 58%。

Mar, 2023

本文提出了一种适用于任务导向对话系统的通用 DA 模式，并使用人类 - 人类对话语料库进行标记和建模，通过半监督学习技术，以提高标记效率和标记质量。

Jul, 2019

本文介绍了一个大规模的众包文字冒险游戏作为研究平台，用于研究基于场景的对话。在其中，代理可以感知，表情和行动，同时与其他代理进行对话。我们介绍了在这种情况下训练最先进的生成模型和检索模型的结果。我们展示了除了过去的对话，这些模型还能够有效地使用潜在世界的状态来调整它们的预测，特别是使用本地环境的详细信息，包括位置描述和其中存在的对象（及其可用性）和角色（及其先前的行动），可以更好地预测代理行为和对话。我们分析了在这种设置中成功落地所需的要素，以及每个因素如何与能够成功说话和行动的代理相关。

Mar, 2019

本文介绍了一种基于 Transformation-Based Learning 算法结合特征提取的对话行为识别方法，提出了一种名为 dialogue act cues 表示识别信息的特征，通过最小化训练数据中的信息熵自动构建一组 dialogue act cues，采用 Monte Carlo 策略进行有效的训练，并引入委员会方法计算置信度，实现了准确标记离线数据的目的，达到了先进的水平。

Jun, 1998

本文提出了一种基于神经和符号表示的推理代理，它在遵循语言指令的同时，基于过去的经验（例如自然语言和自我中心视觉）积极应用推理和计划，从而实现了大于 70％ 的改进，并提供了令人印象深刻的透明度和可解释性。

Oct, 2022

本文研究采用对话行为来模拟人类社交聊天的开放领域对话生成，利用行为策略来管理人机交互流程，并结合强化学习方法对策略进行优化，从而在机器仿真和人机交互中获得了显著响应质量的提升。

Jul, 2018