ConvLab 是一个开源的多领域端到端对话系统平台，它使研究人员能够快速设置实验，并比较许多不同的方法，从传统的管道系统到端到端的神经模型，在共同环境中。ConvLab 提供了一组完全注释的数据集和相关的预训练参考模型。我们扩展了 MultiWOZ 数据集，使用用户对话行为注释来训练所有组件模型，并展示了 ConvLab 如何使得在多领域端到端对话设置中进行复杂实验变得简单而不费力。

Apr, 2019

ConvLab-2 是一款开源工具包，它可以帮助研究人员建立任务导向的对话系统，具备最先进的模型，进行端到端评估，并诊断系统的不足之处。

Feb, 2020

提出了一种名为 UniConv 的神经结构，它能够同时训练多个模块，包括对话状态跟踪和回答生成器，用于多域任务导向的对话系统，实验表明其在 MultiWOZ2.1 基准测试上具有优异的性能。

Apr, 2020

本文介绍了一种名为 SPACE-3 的新型半监督预训练会话模型，它可以从大规模对话语料库中学习任务导向对话系统所需的语义向量表达，并在若干下游任务中表现出领先的性能。

Sep, 2022

本文介绍了 Chat-3D，它通过将预训练的 3D 表示与先进的 LLM 的推理和对话能力相结合，实现了首个用于 3D 场景的通用对话系统。 Chat-3D 能够感知 3D 世界，具备理解各种 3D 场景指令、进行复杂的空间推理并将外部知识融入其响应的能力。在构建的指令数据集上，Chat-3D 相对于 GPT-4 获得了相对得分 75.6%。

Aug, 2023

本文提出了一种轻量级的完全卷积体系结构 DialogConv，在卷积操作的基础上，对上下文和回应进行匹配，以从多个上下文视角捕获更丰富的语义信息，与现有模型相比，DialogConv 大小平均缩小 8.5 倍，CPU 和 GPU 设备上分别快了 79.39 倍和 10.64 倍。

Oct, 2022

本文提出了一个中文多领域知识驱动会话数据集，该数据集将多轮会话的话题与知识图谱相匹配。我们的语料库包含三个领域（电影，音乐和旅游）的 4.5K 个会话，86K 个话语，平均轮数为 19.0。我们提供了多个基准模型来促进基于该语料库的后续研究。比较结果表明，通过引入背景知识，可以增强模型，但仍有大量空间可用于利用知识来模拟多轮会话以进行进一步研究。结果还表明，不同领域之间存在明显的性能差异，这表明值得进一步探索转移学习和领域适应。该语料库和基准模型是公开可用的。

Apr, 2020

本文探讨了 PLATO-2 在各种对话系统中的应用，包括开放域对话、知识基础对话和任务导向对话，并通过参与 DSTC9 的多项任务的综合评估证实其在各种对话系统中的有效性。

May, 2021

DialogStudio 是最大最多样化的对话数据集合，它包含了开放域对话、任务导向对话、自然语言理解、对话推荐、对话总结和知识为基础的对话。该数据集合不仅为对话研究和模型训练提供了丰富多样的资源，还提供了每个数据集的许可证并为选定的对话设计了领域感知的提示来促进指导感知的微调。此外，使用 DialogStudio 数据集合开发的对话 AI 模型在零样本学习和少样本学习的实验中展现出卓越的性能。访问此链接获取与 DialogStudio 相关的所有数据集、许可证、代码和模型，以提高透明度并支持数据集和任务基础的研究以及语言模型的预训练。

Jul, 2023

本文提出了一种新的任务定向对话数据增强方法 TOD-DA，它包括对话丰富和口语会话模拟器，可以增加大规模高质量带注释口语会话，以提高口语任务定向对话建模的鲁棒性。在 DSTC10 Track2 的两项任务中，我们的方法均排名第一，证明了 TOD-DA 的优越性和有效性。

Dec, 2021