生物医学领域的对话搜索及应用调查
通过对对话式搜索系统进行系统性文献回顾，我们识别出了真实世界的应用场景、系统架构和功能组件，给出了一个分层架构框架，并解释了对话式搜索系统的核心功能。此外，我们讨论了大型语言模型的能力、局限性和未来研究方向。
Jul, 2024
该研究论文提供了关于代理人和用户之间对话式搜索过程的概念化，为对话式搜索代理开展研究、开发和评估提供了框架和起点。
Apr, 2024
本文研究了如何设计对话式搜索系统以协助用户在不熟悉的领域进行信息探索，并通过实验研究采用统计分析和过程挖掘技术发现了用户在不同领域中的一般信息需求类型和对话行为，从而得出了为对话式搜索系统提供设计建议的结论。
Jan, 2023
本文提出一种名为 ORConvQA 的交互式检索问答方法，通过基于 Transformers 的检索器、排序器和阅读器，实现在大规模语料库中检索答案并提取答案以构建功能性的交互式检索系统，并创建了 OR-QuAC 数据集以促进 ORConvQA 的研究。实验证明可学习的检索器对 ORConvQA 至关重要，在所有系统组件中启用历史建模可以显著提高系统性能，排序器组件提供了正则化效果并有助于模型性能的提升。
May, 2020
本文探讨了在人机交互的语境下，处理短文本对话的问题，并借助社交媒体上丰富的对话记录数据，提出了一种基于信息检索技术的解决方法，实验证明这种基于检索的模型结合大量的社交媒体对话数据能够使系统表现得相当智能。
Aug, 2014
本文提出了一个名为 QKConv 的无监督查询改进方法，它在对话型问题回答，任务导向型对话和知识驱动型对话方面相对于无监督方法实现了最先进的性能，与监督方法相比具有竞争性的性能。
Dec, 2022
现有的推荐系统主要集中在两个范式上：一是基于历史用户 - 项目交互的推荐，二是会话式推荐。对话式推荐系统促进用户和系统之间的自然语言对话，允许系统获取用户明确需求并允许用户提问和提供反馈。鉴于自然语言处理的重大进展，对话式推荐系统日益受到关注。现有的对话式推荐数据集在各自领域的研究中发挥了重要作用。然而，近年来移动用户和应用程序呈指数增长，对话式移动应用推荐系统的研究面临重大限制，主要归因于缺乏专门针对移动应用程序的高质量基准数据集。为促进对话式移动应用推荐的研究，我们引入了 MobileConvRec。MobileConvRec 通过利用用户在 Google Play 商店上与移动应用的真实交互进行对话模拟，该交互数据最初捕获在大规模移动应用推荐数据集 MobileRec 中。MobileConvRec 将连续的用户 - 项目交互（反映隐式用户偏好）与全面的多轮对话相结合，以有效把握用户的明确需求。MobileConvRec 包括超过 12,000 个涵盖 45 个应用类别的多轮推荐相关对话。此外，MobileConvRec 为每个应用程序提供丰富的元数据，如权限数据，安全和隐私相关信息以及应用程序的二进制可执行文件等。通过对几个预训练的大型语言模型的比较研究，我们证明了 MobileConvRec 可作为对话式移动应用推荐的优秀测试平台。
May, 2024
本文介绍了一种利用卷积深度结构语义神经网络特征进行信息检索的模型，以实现在与用户进行对话时产生人类般的对话互动，该模型采用上下文敏感的方法，具有显著优于传统基线模型的检索响应相关性。
Jun, 2016
通过上下文消噪的查询重构和根据历史转折的实际影响自动挖掘监督信号，提出了一种历史感知对话稠密检索系统，实验证明了 HAConvDR 在长对话中具有改进的历史建模能力。
Jan, 2024