TOD-Flow：任务导向对话结构建模
本文提出了一种在端到端的任务导向对话（TOD）学习中的新问题，其中对话系统模拟故障排除代理人，帮助用户诊断问题。我们发布了一个数据集（FloDial）并设计了一个神经模型（FloNet），实验证明 FloNet 可以进行零 - shot 迁移到未见过的流程图，并为未来研究设置了强有力的基准线。
Sep, 2021
我们提出了一种从对话历史中无监督地发现对话流的方法，从而使该过程适用于任何提供这样历史的领域。通过将话语表示为向量空间并根据语义相似性进行聚类，然后使用这些聚类作为转换图的顶点来可视化对话流。我们通过在 MultiWOZ 上进行实验，发现了具有显著意义和相关性的对话流，并引入了一个自动验证度量标准进行评估。实验结果表明，这种提取任务导向对话中有意义流的方法具有潜力。
May, 2024
该论文讨论了针对任务的对话系统，提出了基于填槽的 TOD 系统（SF-TOD）框架的局限性，探讨了可扩展的 WebTOD 框架，后者是在 Web / 移动界面上构建对话系统的替代方向，由大规模语言模型驱动对网页 / 移动界面的理解。
Dec, 2022
该研究提出了通过 PPTOD 模型和新的对话多任务预训练策略来解决任务导向对话系统中存在的级联生成问题，取得了针对几个基准 TOD 任务的最新成果。
Sep, 2021
该研究提出了一种基于 Task-Optimized Adapters 和强化学习的 End-to-end TOD 系统，能够独立学习每个任务，并在 MultiWOZ 基准测试上表现出优越的性能，特别是在 2.2 数据集上的 DST 任务达到了最先进的水平。
May, 2023
我们提出了 AnyTOD，这是一种端到端的，零 - shot 的任务导向对话系统，能够处理未见过的任务，而不需要特定的培训。我们采用了一种神经符号方法，其中神经语言模型跟踪对话中发生的事件，并执行符号程序以推荐应该采取的下一个操作，从而显著降低了数据注释和模型训练的要求，并展示了在任务和领域上的强大的零 - shot 迁移能力。
Dec, 2022
SimpleTOD 采用单个因果语言模型解决任务导向的对话，具有先进的性能，并且可以完全利用预训练、开放领域的因果语言模型进行转移学习。它提高了对话状态跟踪的联合目标准确性，改善了在端到端设置中评估行动决策和响应生成的主要指标。
May, 2020
本文提出了一种基于强化学习的新框架，用于生成与给定工作流程对齐的对话回复，通过结合 ComplianceScorer 评估指标和交互式采样技术的 RL 优化过程，评估结果表明该框架在任务导向对话系统上优于基线方法，并能生成遵循预定工作流程且自然流畅的对话回复。
Nov, 2023
本文提出了一种混合知识管理的任务导向对话系统，并基于结构化和非结构化知识进行了优化，相比现有的任务导向对话系统具有更强的端到端性能和更高的非结构化知识检索准确性。
May, 2021
该研究探讨了 SynTOD，一种用于开发端到端任务导向对话系统的新型合成数据生成方法，该方法能够处理意图分类、槽填充、对话问答和检索增益响应生成等复杂任务，而无需依赖众包或现实世界的数据。实验结果显示，使用受图引导的响应模拟能够显著提高意图分类、槽填充和响应相关性，相较于单一提示的模拟对话。该研究还调查了不同基础和指导调整的大型语言模型在端到端任务导向对话系统上的有效性，并探索了它们在评估回应和与人类判断之间的相关性。这些发现为领域特定的任务导向对话系统的快速开发和评估铺平了道路。研究团队还发布了用于研究目的的数据集、模型和代码。
Apr, 2024