本研究探讨了几种结合不同能力的机器学习模型，旨在实现一个综合性的对话系统，并提出了一个新的数据集BlendedSkillTalk，通过比较不同架构和训练方案的表现来分析这些能力如何在自然对话中融合。研究结果表明，相比于单一技能的模型，多任务训练可以更好地提高混合会话的表现，而统一或二阶段方法都可以表现良好，关键在于避免不必要的技能选择偏差或在新任务上进行微调。

Apr, 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

本文旨在构建一种统一的会话基础模型，通过收集大规模多样化的对话数据集和引入自监督任务，提高该模型的稳定性。实验结果表明，与其他相同规模的模型相比，该模型在跨领域对话任务方面有着领先的表现。

May, 2022

本文提出了一种新的手动引导对话方案，其中代理从对话和手册学习任务，从而降低了对领域本体的依赖，使其更灵活地适应不同的领域，相关实验表明该方案提高了对话系统的数据效率和领域可扩展性

Aug, 2022

本综述论文提供有关积极对话系统的综述，包括设计和挑战等方面，以及对话类型和实际应用的相关信息。

May, 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

基于大型语言模型的基于规划的对话代理框架（PCA）能通过离线制定核心和必要的SOP，实现在线规划最佳行动路径以实现对话的可控性和前瞻性。实验证明，经过细调的LLMs在PCA-D上可以显著提高性能并具备广泛的泛化能力，而PCA-M则在对话的可控性、前瞻性、任务成功率和整体逻辑连贯性方面优于其他基准，并适用于工业对话场景。

Jul, 2024

本研究解决了多智能体系统在对话任务解决中的局限性，尤其是在复杂性不同的任务中的表现和会话结构的影响。通过系统评估各种讨论范式并提出一个多智能体研究的分类法，该研究发现多智能体系统在复杂推理任务中表现优异，但在基础任务中却面临挑战，同时揭示了会话延续带来的对齐崩溃和决策公平性问题。

Oct, 2024

本研究针对多智能体系统在对话任务解决中的局限性进行分析，填补了在不同复杂性任务中多智能体讨论效果评估的空白。通过实验，提出了一个多智能体研究的分类，并展示了这些系统在复杂推理任务中表现优秀，但在基本任务上存在问题，揭示了多智能体对话中的挑战与潜力。

Oct, 2024

该研究解决了当前对话体系统在互动对话中缺乏有效引导对话的能力的问题。通过使用事后经历重写和增强现有的数据，采用离线强化学习的方法，研究提出了一种能在心理健康支持和慈善捐赠领域 outperform 现有对话体的新的技术。实验结果表明，所提方法在与真实用户的用户研究中显著优于现有的对话体系统。

Nov, 2024