本文介绍了一种基于深度学习的可伸缩的多领域对话状态跟踪方法，通过引入一个新的状态跟踪框架，该框架独立于具体的槽值集合，并将对话状态表示为候选值集合的分布，此方法能够快速适应新领域，提高跨领域和可扩展性。

Dec, 2017

本文介绍了 DSTC 8 轨道4：基于模式的对话状态跟踪的方法以及测试结果。我们提出了一种端到端的DST系统，该系统包括针对非分类插槽的MRC模型和对于分类插槽的Wide & Deep模型。通过实验，证明我们的方法在测试数据集中得到了优异的性能。

Dec, 2019

本文提出了一种基于非自回归框架的对话状态跟踪方法(NADST)，能够考虑域和槽之间的潜在依赖关系，优化对话状态预测的完整集合。该方法的非自回归性质不仅可以并行进行解码，大大降低了实时对话响应生成的延迟，而且可以在令牌级别检测槽之间的依赖关系。在MultiWOZ 2.1语料库上，我们的模型在所有领域上的联合精度达到了最先进水平，并且我们的模型的延迟比以前的最新技术低一个数量级，尤其当对话历史随时间推移时。

Feb, 2020

本文提出了一种新的架构，利用多粒度的注意力机制来更稳健地编码对话历史和槽的语义，用于实现准确的跨域对话状态跟踪，并在MultiWoZ 2.1数据集上将联合目标准确率提高了5%（绝对值），并在零-shot设置下比现有最先进技术提高至多2%（绝对值）。

Feb, 2020

利用机器阅读理解（RC）方法在对话状态跟踪中，针对模型架构和数据集两个方面进行改进并应用到多种领域，实现了很好的跨领域通用性，并在少数据情形下（few-shot scenarios）表现出了更好的性能，即便在零状态跟踪数据下（zero-shot scenarios），也在MultiWOZ 2.1数据集中表现出很高的性能。

Apr, 2020

采用层次表示的语义分析任务，以实现对话状态跟踪，并通过TreeDST数据集的编码器 - 解码器框架实现了比现有技术水平的DST方法更好的结果。

Oct, 2020

本文提出了 Dialogue State Tracking with Entity Adaptive Pre-training (DSTEA) 方法，其通过选择性知识掩蔽使模型更好地训练，从而在 MultiWOZ 2.0, 2.1, and 2.2 数据集上达到了更好的性能，并通过各种比较实验验证了其有效性。

Jul, 2022

对话状态跟踪是对话系统中的重要环节，虽然神经方法实现了显著的进展，但对话系统的一些关键方面，如可拓展性等仍未得到充分探索，本文提出了未来研究的几个方向。

Jul, 2022

本文提出了一种名为DiSTRICT的基于有关上下文调整的DST的方法，通过检索与给定对话高度相关的训练示例，优化模型，相对于现有方法，使用较小的模型在各种零射和少样本设置下实现更好的性能，在资源不足的实际部署中提供了重要的优势

Dec, 2022

本文提出了Diable系统，通过将对话状态表示为数据表，并将DST形式化为表操作任务，简化了设计和实施高效的DST系统，通过在MultiWoz数据集上的实验证明，Diable系统优于强大的高效DST基线，比当前最先进的方法更节省时间，而具有良好的鲁棒性，可以处理由于数据注释噪声导致表操作问题。

May, 2023