本文提出了基于分层对比学习的师生框架来预测没有响应的话题转移，并在中文自然对话话题语料库上进行了实验，结果表明该模型的有效性。

May, 2023

本文提出了一种新颖的基于主题感知的无监督多轮对话建模方案，该方案通过无监督的主题感知分割算法和主题感知双交互匹配网络实现，在多个公共数据集上的实验结果表明 TADAM 可以胜过现有的最新方法，尤其是在出现明显主题转移的电子商务数据集上提高了 3.3％。

Sep, 2020

该研究提出了一种从主题感知的角度对多轮对话进行建模，使用对话切分算法将对话段落无监督地拆分为主题集中的片段，并将这些片段作为主题感知的语言处理单元用于进一步的对话理解。通过在聚类系统中设计自训练自编码器，并构建两个构造的数据集进行评估，我们展示了拆分段落在域内主题检测和定位方面的便利性。同时，拆分段落也是多轮对话响应选择的适当元素，为此，我们提出了 Topic-Aware Dual-Attention Matching (TADAM) 网络模型，它以主题片段作为处理元素，并使用双交叉注意力匹配响应候选项。通过对三个公共基准测试的实证研究，我们发现相对于基准，该模型取得了显著的改进。该研究延续了先前的文档主题研究，并通过详尽的实验和分析将对话建模引入了新的主题感知视角。

Sep, 2023

本研究介绍了一种新的话题转换感知会话基准 TIAGE，其具有检测、触发和对话生成三个任务，实验结果表明，TIAGE 中的话题转移信号对话题转移响应生成有用，但仍需要在话题转换感知对话建模方面进行进一步研究。

Sep, 2021

本文提出了一种基于 Biterm Topic Model（BTM）的对话生成模型 STAR-BTM 来解决多轮对话中话题漂移的问题，并在中文客服数据和英文 Ubuntu 对话数据上进行了实验，结果表明 STAR-BTM 在度量和人工评估方面明显优于现有模型。

Sep, 2020

这项研究通过动态主题跟踪任务将回复选择作为一种新的表述方法，并提出了一种支持高效编码的新型多任务学习框架，并且通过预训练模型，仅使用两次讲话来进行动态主题分离和回复选择。同时，还提出了 Topic-BERT 的关键预训练步骤来嵌入主题信息，并在 DSTC-8 Ubuntu IRC 数据集上获得了表现出色的结果。

Oct, 2020

本文提出了一种上下文感知的谈话主题分类方法，通过引入对话上下文和对话行为特征，扩展了神经主题分类和无监督主题关键词检测的先前研究，以提高谈话中的主题识别准确性和预测用户评价指标。

Oct, 2018

本文提出一种名为 TARG 的基于主题的响应生成模型，改进了基于词或句子相似度来检测相关知识背景的方法，用主题信息来提高对话历史的理解，取得了知识选择和响应生成上的最新成果。

Dec, 2022

本文提出了一种名为 Topic-Driven Knowledge-Aware Transformer 的模型，包含一种话题增强语言模型、基于对话情境信息的常识语句和一种转换器，用于识别情感标签序列中的话题和情感状态。实验结果表明，该模型在对话情感检测方面表现优于现有的最先进方法。

Jun, 2021

虽然在话题对话系统方面取得了很大进展，但如何有效地在对话中处理话题转换仍然是一个持久的挑战。本研究提出了 Multi-Passage to Dialogue (MP2D) 框架，该框架通过自动生成自然话题转换的对话问答数据集来解决这个问题。通过利用知识图谱中实体之间的关系，MP2D 能够映射对话中的话题流程，有效地模拟人类对话的动态过程。它通过将与话题相关的段落转换为对话形式，将其转化为对话。通过定量和定性实验证明了 MP2D 在生成具有自然话题转换的对话方面的有效性。此外，本研究还引入了一个新的话题转换对话基准，TS-WikiDialog。通过利用该数据集，我们展示了即使是大型语言模型（LLMs）也难以有效处理对话中的话题转换，并展示了使用 MP2D 生成的数据集训练模型在不同话题转换对话任务中的性能提升。

Mar, 2024