本文提出一种在面向任务的对话中提取结构化信息的方法，通过使用预训练模型检测和聚类可能的槽标记来逼近目标领域的对话本体，在此基础上推导出状态转移结构，实验结果表明这种方法在对话结构提取方面表现比无监督基线模型更好，此外，通过基于提取的结构进行数据增强可以大幅提高对话响应生成的性能。

Feb, 2022

本文提出了一种基于层级标注的语义解析方案，能够有效且准确地分析复杂的组合查询，同时发布了包含 44000 个标注查询的数据集，并证明此方案在标准句法分析模型上的表现优于序列到序列的方案。

Oct, 2018

本文提出了一个新的听取信息提取任务，即语音关系提取，通过文本到语音系统构建训练数据集，并通过众包和本土英语演讲者构建测试数据集，探索语音关系提取的两种方法：通过预训练的 ASR 模块进行基于文本的提取的流水线方法和通过新的提出的编码器解码器模型进行端到端方法，进行了全面的实验以区分语音关系提取中的挑战，并分享了代码和数据。

Oct, 2022

本文介绍了第一个人工注释的基于对话的关系抽取（RE）数据集 DialogRE，用于支持在对话中预测两个参数之间的关系，尤其是涉及多个句子的跨句子 RE 任务，并基于分析指出演讲者相关信息在该任务中发挥了关键作用。在提出一个新的评估指标以评估在会话环境中进行 RE 方法的性能之后，本文研究了几种常用的 RE 方法在 DialogRE 数据集上的表现，并通过实验证明，最佳表现模型的扩展可以在标准和会话环境的评估设置中都取得收益。

Apr, 2020

通过结合语义增强机制，本论文提出的 CasAug 模型能够解决关系抽取中的三元组重叠问题，提高关系抽取效果，并能更好地处理重叠问题和提取多个关系。

Nov, 2023

本文通过探索来自词嵌入、语言模型功能以及词嵌入空间的拓扑特征等不同特征，实现了系统以纯数据驱动的方式在对话中发现领域、插槽和值的实现，并在 Schema-Guided Dialogue 数据集中取得了优异结果，结果表明这种方法对本体论归纳以及继续开发对话和自然语言处理研究具有重要意义。

Aug, 2022

本文重点考察了基于神经网络的研究，围绕自然语言理解在对话系统中的应用，着重研究了两个核心问题：slot filling 和 intent classification，并介绍了三种神经网络架构：独立模型、联合模型和迁移学习模型。提出了当前研究中面对的挑战。

Nov, 2020

本文综述了自然语言理解中重要的两个任务：目的意图分类和词槽填充。特别是联合模型已经成为达到最佳性能的方法，并揭示了两个任务之间的强关系。文章描述了意图分类和词槽填充在趋势、方法、问题、数据集、评估指标、性能、共享任务等方面的研究，其中包括不同维度的表格总结过去的研究。

Jan, 2021

本文提出一种从 Wikipedia 中提取证据丰富的关系抽取器，通过使用神经网络构建的关系提取器并结合 Wikipedia 进行验证，本方法成功地解决了现有知识型问答系统数据不足、缺乏表达力和无法回答多重约束问题等问题，并在 WebQuestions 问答数据集上取得了 53.3% 的 F1 值，比现有最先进的方法有了显著提升。

Mar, 2016

本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

Jun, 2022