通过在大型通用领域对话语料库上预训练反应选择模型，然后利用小型特定领域数据微调预先训练的模型，本论文提出了一种有效的方法来部署任务导向对话中的响应选择，取得了很好的效果。在六个不同的应用领域，从电子商务到银行业，本方法都表现出了良好的效果。

Jun, 2019

本文研究了对话推荐系统中的最近工作，并介绍了一种将上下文化的输入与学习模型联系起来以支持意图识别的方法，使用 transformer 基础模型在数据集 MSDialogue 上进行了性能评估。

Dec, 2022

本研究提出一种新的意图发现方法，通过多任务预训练和对比损失优化聚类来学习语义表述以扩展对话系统中支持的意图类别。实验结果表明，该方法在半监督和无监督场景下均优于现有方法。

May, 2022

本文提供了一种 3 步程序来开发满足业务要求的对话模型，包括从历史对话中创建模板、使用神经网络建立对话上下文和业务约束，以及通过自我监督和受训者的方法优化模型，并进行实验验证并在人机交互的环境中应用于商业对话。

Oct, 2022

本文提出了一种对于细粒度、语义相似的意图进行 Few-shot 检测的方案，使用了对比自监督预训练和有监督对比学习的组合方式，在三种不同的具有挑战性的 Few-shot 意图检测数据集上实验，获得了最先进的表现。

Sep, 2021

该研究提出了一种自主学习框架 MCP，它使用对比采样方法从用户对话历史中获取更好的表征，包括回应对、序列扩增对和用户对，它有效提高了个性化聊天机器人生成用户概要和相应的表现。

Oct, 2022

本论文提出一种基于双 LSTM 架构的研究，致力于人 - 人客户支持话语交互中在线实时识别来电者意图的问题，以提高用户体验，并在电信客户支持领域的数据集上进行了实验分析。

Aug, 2022

该研究开发了一种利用自监督对比学习和少样本迁移学习的方法，能显著减少标注数目，并提高面向未知领域技能的泛化性能。

Oct, 2020

我们提出了一个完全无监督的对话意图识别框架，旨在通过研究最常见的对话序列来提取意图流，并且在处理对话语料库时进行预处理以提高结果。此框架不需要先验知识，适用于任何可能的用例，非常适用于各行业的实际客户支持应用。

Jul, 2023

本研究对开源聊天机器人的多种回复生成方法进行了系统评估，提出了利用手动注释筛选出的多个正向回复和负向回复，从而提高模型效果的新训练数据，并实验证明性能较之采用对抗训练数据有更显著提升。

Aug, 2022