通过采用强化学习算法，研究设计基于社交和任务相关特征的行为预测策略是智能对话代理下一步的发展，以期通过优化设定的预测性对话策略，增强用户满意度和任务效率，并在实践操作中取得较好的协同效果。
Nov, 2022
本文提出了一种新的多任务学习框架，以预测相关知识并通过显式信号来监督其学习，实现知识驱动的主动式对话，从而提高最终响应选择的准确性。
Jul, 2021
通过使用角色扮演方法构建自动数据集策划框架，我们提出了一个大规模的个性化目标导向对话数据集，TopDial，该数据集包含约 18K 个多轮对话，实验结果表明该数据集具有高质量，可用于探索个性化目标导向对话。
Oct, 2023
本篇论文中，我们提出了一种称之为 Proactive Chain-of-Thought 推导方案，它能够增强 LLMs 的目标规划能力，以解决其在主动对话方面的不足，具体涉及三个方面：澄清、目标引导和非协作对话。我们还探讨了相应的实证结果，以促进未来在基于 LLM 的主动对话系统方面的研究。
May, 2023
这篇文章总结了基于深度学习的对话系统的最新进展和研究方向，讨论了如何通过深度学习在任务导向和非任务导向模型中学习有意义的特征表示和响应生成策略。
Nov, 2017
本研究旨在提高主动对话策略在动态用户交互中的自然性和实用性，特别关注非合作用户行为，提出一种名为 I-Pro 的新解决方案，在学习目标权重方面有所创新，并在实验中取得了显著的效果和可解释性。
Apr, 2022
本研究旨在构建一种自然对话体验的人机对话系统，并通过新数据集 DuConv 的实验，证明了在知识图谱的帮助下以对话为导向的规划可生成更丰富的多轮对话。
Jun, 2019
近期关于主动对话代理（PCAs）的研究主要集中在提高系统在用户表达需求之前，预测和计划行动序列以完成任务和实现目标的能力。这篇论文强调了朝着强调人类需求和期望，考虑代理的伦理和社会影响，而不仅仅关注技术能力的以人为中心的 PCAs 的重要性。我们通过建立涉及智能、适应性和礼貌三个关键维度的新分类体系来解决主动系统与反应系统之间的区别，防止主动系统被人类用户视为侵入性。根据这个新分类体系，我们根据 PCAs 系统构建的五个阶段，讨论了潜在的研究机会和挑战。这篇论文为会话信息检索研究领域奠定了基础，并为推进以人为中心的主动对话系统铺平了道路。
Apr, 2024
本文提出了一种使用规划技术处理说明性对话代理的方法，从模型征集到生成的计划的执行，涵盖过程的所有方面，同时介绍了一种全新的计划编码方法、多种规划接口和一个强健的执行者。
Oct, 2019
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。
Mar, 2020