本文介绍了一种基于最新的神经网络连续学习技术的领域无关的神经对话模型，同时提出了一种新颖的神经连续学习算法，能够以数据-效率的方式跨越不同任务积累技能，在客户支持领域通过从合成对话或人类之间的对话到人-计算机对话的连续技能转移来验证方法的功效。

Dec, 2017

提出了一种简单而有效的方法，在生成会话等输出多样化任务时引入分布式约束的辅助信息，通过利用语法、主题模型和语义相似性来生成更具内容丰富性的响应，实验证明这种方法可以生成精细的响应，且不牺牲可信度。

Sep, 2018

本文提出了使用神经排序器从未标记的数据中有效地训练社交对话系统的方法，并展示了使用该方法通过优化长度作为目标的排序器在性能上优于优化用户评级的排序器，从而可简化未来社交对话代理的数据收集。

Nov, 2018

本文回顾了近期关于神经网络方法在开放领域对话系统中解决语义、一致性和互动性挑战的工作，以实现与用户建立长期连结并满足人类沟通、情感和社会归属需求。

May, 2019

本文研究了神经生成模型在对话系统中对历史对话的敏感性，并通过实验证明在测试时的上下文人为干扰（例如缺失或重排序发言，混淆词语等）对常用的递归和基于Transformer的seq2seq模型的影响很小，在开源其代码的同时，本文所提供的测试评估工具将为未来的对话系统改进提供参考。

Jun, 2019

本研究分析了神经网络开放领域对话系统所学习的内部表示，并评估了这些表示的质量以学习基本的交谈技巧。结果表明，标准的开放领域对话系统难以回答问题、推断矛盾并确定对话话题等任务，需要更多的研究来探讨建筑和训练方法，从而更好地捕捉有关对话的高级信息。

Jun, 2020

本文综述了一些新的神经架构，并探讨了将其应用到更加基本的对话特点，例如情绪，对话行为和协同建构。基于社会科学文献，本文的作者相信对话最基本、最核心的特征是其由两个或多个交流者在时间上共同建构。

Mar, 2022

本文提出ChatLLM网络，利用多个基于ChatGPT的对话语言模型协同解决问题的能力，加入了一种反向传递更新系统，展现了这个网络在问题解决方面的显著性能提升。

Apr, 2023

为了与人类用户进行对话，需要设计能够进行人机交互的机器智能，因此会话建模是自然语言处理中的重要任务。一个新的机器会话模型使用了逐渐构建的句子结构和复杂度的培训方法来模拟人类学习的构建过程，其通过按照先“短”后“长”的句子对训练，最终比标准文本准备训练的模型具有更低的验证误差。

May, 2023

通过借鉴社会科学和人工智能界的广泛研究，我们提出了一套最大量、最大质量、最大相关度、最大方式、最大善意和最大透明度的法则，旨在描述有效的人工智能对话，并为评估和改进设计提供了规范指导。

Mar, 2024