给定合法工作流名称和动作计划的对话上下文能够有效地帮助基于文本生成模型完成多步任务，但新的无法训练过的多步任务需要补充动作计划信息。

Jun, 2023

我们引入一种新的问题形式 —— 工作流程发现，提出了序列到序列方法，从对话中提取工作流程，对 ABCD 数据集进行了评估，并表明使用条件策略的模型可以改善 WD 性能。

May, 2022

本文比较了多种模型在预测每个对话回合多个 Dialog Management 决策动作方面的性能，并提出了一种基于 gCAS 模型的新策略模型，实验结果表明 gCAS 模型优于其他模型。

Aug, 2019

本文提出了一种数据高效的解决方案，将知识检索模块与大型语言模型相结合，利用代理指南中的显式指令构建对话系统，并通过半监督预训练方案进行训练，同时评估在行动状态跟踪和工作流发现两个对话任务中的表现，结果表明程序化知识增强提高了在低数据密度下的准确性。

Jun, 2023

使用多维方法对话管理加速训练，通过预先训练的任务无关策略来实现转移学习，从而在有限的训练数据下实现更好的性能，人工用户评估表明多维系统（针对目标情境的有限训练数据进行适应）比一维基准（在同样的训练数据上不进行适应）提高了 7％的成功率。

Apr, 2022

本研究提出了一种 “检索和记忆” 框架，该框架首先使用神经上下文感知检索模块从训练集中检索多个候选系统操作，然后使用存储增强的多解码器网络在候选操作的条件下生成系统操作的方法，该方法能降噪自适应选择候选操作中的关键信息。实验表明该方法在上下文到回应生成任务中具有竞争力。

Jun, 2021

本文提出了一种基于多任务学习框架的 Planning Enhanced Dialog Policy (PEDP) 方法，使用模型规划来模拟单动作对话，从而增强多动作预测，实现了相对于现有状态下最先进方法的 3% 提高，达到了 90.6% 的可靠任务成功率。

Apr, 2022

提出了一种基于行动级别生成的任务导向对话系统，采用基于序列到序列模型的方法，将大规模对话中的每个自然语言响应表示为一系列对话行动，并将其转换为语音响应，实现了控制能力和效率之间的平衡。

Apr, 2023

本研究提出了一种基于 LSTM 网络的多模态框架，用于捕捉和模拟多标签的行动预测问题，并引入标签平滑的概念，以提高机器人技术在人机交互、辅助生活和自动驾驶等领域的预见性。

Apr, 2020

本文介绍了动作驱动的随机人体运动预测任务，提出了一种有效的多步预测模型和训练策略，结合深度学习模型和不同的时间编码模型以取得更好预测效果。

May, 2022