通过构建基于任务的对话方式，我们提出了一种新颖的交互式工具来搜索、编译和编辑媒体集合中的蒙太奇，并在收集的数据集和基准测试中展示了多模式挑战的挑战性。
Nov, 2022
本研究提出了一个基于真实情境的多模交互对话数据集 SIMMC 2.0，收集了 11,000 个在购物领域的用户 <-> 助手任务对话。数据集通过模拟器和手工语句改写收集，可用于对话系统的基准测试和自然语言处理研究。
Apr, 2021
通过 COmpressive Memory-Enhanced Dialogue sYstems (COMEDY) 框架，利用压缩记忆的概念将实际用户 - 聊天机器人交互转化为简洁的记忆格式，该研究证明 COMEDY 比传统的基于检索的方法更能产生细致而人类化的对话体验。
Feb, 2024
本研究提出了一种基于数据流图表示对话状态并引入元计算符以复用过去状态的方法，并针对此开发了 SMCalFlow 数据集以进行有关事件、天气、地点和人物等问题的复杂对话，实验证明基于数据流图和元计算的方法可显著提高此类自然对话的可表达性和可预测性，同时将其与现有的任务领域状态跟踪模型进行了比较。
Sep, 2020
本文提出了一种无需完整用户信息的个性化任务型对话系统，采用 Cooperative Memory Network 模型逐步丰富用户配置文件，并以此为基础选择个性化回应，实验表明该模型在提高回应准确率的同时具有较强的稳健性。
Feb, 2021
本研究通过学习 MMD 数据集并实现基于知识库的多模态对话模型解决了多模态基于搜索的对话系统中的新挑战，该模型将编码的知识库表示附加到解码器输入中，从而在文本相似性测量方面获得了高于强基线的表现，其中三个 BLEU 点仅由于使用了来自知识库的附加信息。
Oct, 2018
本文提出了一种跨模态记忆网络（CMN），通过两个记忆模块（L-mem 和 V-mem）协同学习，实现了历史导航决策的探索，有效地解决了视觉对话导航中的语言意图处理问题，并在 CVDN 数据集上取得了显著的性能提升。
Mar, 2020
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。
本文介绍了一种称为 COmet 的用于完全情境化实体表达的 Context-aware Memory Enhanced Transformer 框架，该框架能够在任务导向的对话系统中更好地利用知识库，避免了信息丢失，并取得了卓越的性能。
Oct, 2020
通过 Wizard-of-Oz 对话任务，探索了用户对已知事实的回应与对话参与度之间的相关性，进而提出一种结合用户先前知识的多任务模型，使得数字助手能够更好地理解用户需求并提高用户参与度。
May, 2020