本文提出了一种基于条件变分自编码器 (CVAE) 的 RNN 的跨领域自然语言生成方法，实现了高度多样性的句子生成，并在数据有限的情况下展现了更好的性能。

Dec, 2018

本文探索了预测针对开放领域对话的专家和用户评分的自动化方法，比较了四种不同的方法，其中提出的 counterfactual-LSTM (CF-LSTM) 模型在对话评分和分类方面的表现最好。

Jan, 2023

使用 Small and Large Integrated for Dialogue Evaluation（SLIDE）框架，结合小型专门模型（SLM）和大型语言模型（LLMs）来解决开放领域对话系统中的一对多问题和领域特定场景下的性能不佳问题。该方法通过对比学习、语义敏感度度量和结合 SLM 和 LLMs 的评估结果等技术，实现了分类和评估任务的最新性能，并且 SLIDE 评估器与人工判断更好地相关。

May, 2024

我们提出了一个简单而有效的开放域对话评估框架，通过将领域特定语言模型（SLMs）与 LLMs 结合起来，明确地通过门控机制将对话的抽象意义表示（AMR）图信息融入到 LLM 的提示中，以提高上下文学习性能，并在开放域对话评估任务中的实验结果证明了我们方法在区分对抗性负面回应方面的优越性。

Apr, 2024

提出了一种跨语言对话评估的 ADVMT 模型，利用神经网络指标对开放域对话系统的表现进行评估，并在两种不同语言的情况下进行评估，结果显示其与人工评估的相关性高于现有指标。

May, 2018

本研究提供了一种训练多领域、基于递归神经网络的语言生成器的程序，包含了多个适应步骤，并利用伪造数据和领域内句子的优化目标函数，旨在在新的、看不见的领域内显著减少培训的数据需求，其语料库评估结果和主观测试都表示该程序可以在保证 BLEU 分数和槽误差率竞争力的同时大幅提高语言生成器性能。

Mar, 2016

本文提出了一种基于动态多种知识融合的开放域聊天机器人模型，其中结构化的三元组来自知识图谱，非结构化的文本来自文档，并采用动态虚拟知识选择器和控制器以及新颖的动态知识内存模块来扩展知识空间，实验结果表明了方法的有效性。

Apr, 2022

本研究提出了一种基于句子语义分割的条件变分自编码器（SegCVAE）解决对话模型中复杂对话映射（CDM）的问题，通过约束潜在变量和富含语义的分割来提高模型性能，在自动和人工评估结果中取得了最新的最佳表现。

Dec, 2022

本研究提出一个评估聊天机器人响应的系统，利用明确的反馈机制改进神经响应图生成模型，从而获得更具连续性和参与度的响应。

Apr, 2019

研究了基于编码器 - 解码器模型的开放领域对话系统的自动回复方法，并提出一种将内容单词序列作为中间表示的方法，并通过将学习和评估的重点从完整句子转移到内容单词序列，提高了生成语句相关性的方法。

May, 2019