本研究探讨了数据稀缺对于多领域任务导向对话系统快速发展的限制，并提出了一种基于TransferTransfo和生成模型预训练的对话模型，并在MultiWOZ数据集上进行了验证，结果显示该模型可以有效地绕过显式策略和语言生成模块来实现对于任务的导向和推理。该方法有望缓解数据稀缺问题，进而支持构建更具吸引力和更流畅的任务导向的对话代理人。

Jul, 2019

提出了一种人工智能虚拟助手对话系统，名为 ACCENTOR，目的是将聊天型机器人和任务导向型系统相结合以实现更加 engaging 和 interative 的交谈体验，通过添加 chit-chat 的方式，将人机交互设计更为实用和有趣。研究采用全新的数据收集和生成方法来提高系统的性能，并设计了三种不同的模型进行实验，与现有任务导向型四种方法相比，实现了更具情境感和人性化的 chit-chat 响应。

Oct, 2020

本文介绍了把目标导向式对话任务（TOD）系统和非目标导向闲聊式对话系统（ODD）结合起来的难题，并基于流行的TOD数据集MultiWOZ构建一个包含两种对话模式交替的新数据集FusedChat，提供一种更具挑战性的基准测试，以测试对话模型在处理交叉模式上的表现。该数据集具有丰富的依赖模式，包括共示和省略，并提供了分类和融合等基线模型。

Sep, 2021

本文介绍了一种基于后处理的知识注入技术，该技术从外部源中提取相关知识，并将其合并到对话响应中，实验表明使用这种方法可以在目标导向和基于知识的对话环境中实现更具吸引力和更丰富的对话响应。

Mar, 2022

通过将目标为导向的对话形式化为部分可观测的马尔可夫决策过程，并将语言模型解释为动态和策略的表示，我们提出了一种简单有效的方法，即任务重新标记，以目标感知的方式微调语言模型，从而显著提高了任务性能，达到了人类水平的任务表现。我们还引入了一些训练策略，以更好地聚焦于手头的任务。我们使用 AirDialogue 在实际的航班预订任务上评估了我们的方法 Context-Aware Language Models（CALM），在任务成功率方面，CALM 的表现优于现有技术方法 7％。

Apr, 2022

ChatGPT是OpenAI创建的一种大型语言模型(LLM)，通过大量数据的精心训练，推动了自然语言处理(NLP)的发展，并拓展了LLM的能力边界。本文主要目标是对ChatGPT及其演变的当前研究方向进行简明概述，提供了基于玻璃盒和黑盒观点的综合分析。此概述也揭示了LLM和GAI领域的现有和缺失研究方向，有益于公众用户和开发人员。

Jul, 2023

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

本论文通过比较分析三种闲聊增强方法，旨在确定多样性方面最有效的方法。此外，我们量化了增加的闲聊、原始任务导向语言和闲聊数据集中典型闲聊之间的差异，突出每个比较中的前20个差异关键词。我们的研究结果为增强任务导向对话提供了未来改进的讨论，强调了超越任务的对话基础对实现更多样化和自然化的交流的重要性。

Nov, 2023

结合话题建模，研究Schema-Guided Dialogues和MultiWOZ的训练集，发现社交对话序列的存在，进一步推动了如何将闲聊融入任务导向对话的研究。

Nov, 2023

通过目标导向的对话式代理生成线性对话样本，实现与用户的对话以获取所需的线性模型信息，并通过人工和自动评估，包括使用GPT-4模仿人工评估指标的评估方法，验证对话的高质量性。

Jan, 2024