该研究旨在通过探究响应生成模型对常识推理的理解程度以诱发适当的响应来缩小当前响应生成模型和人类沟通能力之间的差距，探测 RG 模型的常识推理能力并提出了两个探针设置来评估 RG 模型的常识推理功能。结果表明，模型无法捕获常识解释和响应之间的逻辑关系，领域内数据的微调和增加模型规模并不能带来对 CSR 的理解，这一研究有望激励更多的研究使 RG 模型效仿人类推理过程以实现流畅的人工智能交流。

Apr, 2021

本文提出一个基于神经网络的对话模型，用于协同解决局部可见参考游戏。该模型通过结构化的参考解析器精准地理解对话内容，利用递归记忆处理复杂任务并采用合理的生成策略，大幅提高了任务完成率。实验结果表明，该模型相对于同领域前沿技术取得了显著的性能提升。

Sep, 2021

作者介绍了一种名为 Common Ground 的新方法，用于解决问答模型在获取对话信息时的困难，并表明此方法相较于已有方法具有更高的效率和人类风格，从而提升了开放域对话问答的表现。

Apr, 2022

本研究针对 commonsense 在对话回应生成中的作用进行了实证研究，提出了一种新的对话数据集，并利用 ConceptNet 这个 commonsense 知识库，找到并整合了现有的真实对话数据集。通过使用这些数据集训练响应生成模型，该研究提出的自动评估方法显示出一定合理的评价效果。

Sep, 2021

该论文提出了一种名为可控接地响应生成（CGRG）的框架，利用词汇控制短语来提高语义控制能力，有效避免了事实准确性和信息量之间的矛盾并超越强大的生成基准线。

May, 2020

为了让对话代理具有常识推理的能力，将外部知识注入预训练的对话模型以建立基本的常识；提出 “双向学习” 方法实现常识知识与语句对之间的双向关系，并利用该集成常识的能力以改进开放域对话响应生成，结果表明 “常识适配器” 融合有助于 DialoGPT 生成一系列常识知识。

Sep, 2022

通过使用深度神经网络模型，基于多模态交互数据集，我们在对话建模中提出了一种自动识别共同信仰和讨论问题的方法，评估不同特征类型对成功构建共同基础的贡献，并为这一新颖且具有挑战性的任务建立了基准。

Mar, 2024

通过将常识推理分解为明确步骤，从而更好地生成、选择和整合常识来提高对话交互的自然性、参与度、特定性和整体质量，从而在常识推理增强的响应生成领域取得了最新技术进展。

Jun, 2024

我们介绍了一种新的标注和语料库来捕捉共同基础，然后从每个说话者的角度描述了一些从对话中提取命题并在共同基础中追踪其状态的初步实验。

Nov, 2023

本文提出了一种通过利用大规模常识和基于命名实体的知识实现的新型开放域对话生成模型，该模型还利用了与每个话语相关的非结构化主题特定知识，并通过使用共指提高了常识知识。提出的模型利用多跳注意力层保留对话历史和相关知识的最准确和最关键的组成部分，还用到 Commonsense and Named Entity Enhanced Attention Module。实验结果表明我们的模型在两个基准数据集上均显著优于最先进的方法。

May, 2022