本文研究自然语言理解在科技中的重要性以及为低资源语言创建波斯语基准 ATIS dataset ，采用最先进的方法对其进行意图检测和填槽

Mar, 2023

本文介绍了 SalesBot 2.0，通过使用大型语言模型的常识知识逐渐缩小闲聊和面向任务的对话之间的差距，构建了一个新的大规模数据集，提供了更加平滑的话题转换和更加接近人类自然性和一致性的对话，对学术研究和商业应用都具有重要价值，并提出了一种框架可以用于生成具有各种目标意图的对话。

Aug, 2023

本研究介绍了 PRESTO，这是一个基于 550K 个虚拟助手和人之间的上下文多语言对话的公共数据集，用于研究语言理解的挑战性问题，包括流畅性、代码切换和修订等。mT5 模型在该数据集上的表现证明了其中的语言现象具有挑战性，尤其在低资源情况下。

Mar, 2023

通过使用大型语言模型（LLMs），我们提出了一个框架，可以自动生成与产品有关的上下文、有用、可回答、流畅且多样化的问题，并建议这些问题给客户作为帮助和提示，从而实现更顺畅、更快速、减少对话开销和摩擦的购物体验。

May, 2024

我们使用网络购物任务作为示例，将其重新定义为一个信息检索任务，并引入购物者角色作为一个受限通信通道，以此来评估语言智能代理系统探索和积累信息的能力。我们的实验证明，该任务能够有效地评估代理系统通过多轮交互获取和积累信息的能力。同时，我们发现基于 LLM 模拟的购物者在错误模式方面与真实人类购物者存在相似性。

Apr, 2024

本文介绍第一个波斯语 NLU 基准数据集 ParsiNLU，并在此基础上与人类表现进行比较，为波斯语理解的研究和进展提供了有价值的洞察力。

Dec, 2020

本文介绍一种基于神经网络的端到端可训练的目标导向对话系统，以及一种新的数据收集方法，该方法基于一种新型的管道式 Wizard-of-Oz 框架。该方法可用于开发对话系统，帮助用户在餐厅搜索领域自然地交流并完成任务。

Apr, 2016

通过引入 PCoQA 数据集，本研究旨在为会话式问答研究提供第一个波斯语会话式问答数据集，包含多达 9,026 个背景驱动的问题，涉及提问者、回答者和维基百科文档。该数据集对以往问答数据集提供了新的挑战，包括更多开放性非事实性答案、较长答案和更少的词汇重复。本文还介绍了多种基准模型的性能，包括基线模型和预训练模型，并使用预训练模型提升了性能。有关数据集和基准模型可在我们的 Github 页面上获取。

Dec, 2023

本文提出了基于电影领域的一套新任务套件，旨在测试模型回答事实性问题、提供个性化、进行短对话及在 Reddit 上执行自然对话的能力，评估了各种模型在这些任务上的性能表现。

Nov, 2015

本文提出了一种适用于任务导向对话系统的通用 DA 模式，并使用人类 - 人类对话语料库进行标记和建模，通过半监督学习技术，以提高标记效率和标记质量。

Jul, 2019