会话式信息寻求快速发展，并通过大型语言模型提供了解释和以自然的方式回应用户请求的基础。TREC 交互式知识助理跟踪（iKAT）集合旨在使研究人员能够测试和评估他们的会话式搜索代理（CSA）。该集合包含一组 36 个个性化对话，涵盖 20 个不同主题，每个对话与定义特定用户角色的个人文本知识库（PTKB）相结合。总共提供了 344 个回合和大约 26,000 个段落，用于评估相关性，以及针对生成的回应在相关性、完整性、基础性和自然性四个关键方面的其他评估。该集合挑战 CSA 有效地浏览多样化的个人背景，引出相关角色信息，并将上下文用于相关对话。PTKB 的整合以及对决策性搜索任务的强调为该测试集的独特性做出了贡献，使其成为推进会话和交互式知识助手研究的重要基准。

May, 2024

TREC 2019 的新领域 Conversational Assistance Track 旨在推进会话式信息检索研究并创建一个可重复使用的大规模测试集；使用 CAR 和 MARCO 数据集中的 38426252 个段落作为文献语料库，进行了 80 个信息检索对话（30 个训练集和 50 个测试集）。

Mar, 2020

TREC iKAT 2023 挑战中，本文使用 Generate-Retrieve-Generate 方法，利用大型语言模型（LLMs）进行答案生成与理解，通过 BM25 进行答案连贯性过滤，实现更高的性能表现。

Nov, 2023

该论文介绍了一种称为对话树搜索（CTS）的任务，它桥接了 FAQ 样式信息检索和面向任务的对话之间的差距，允许领域专家定义对话树，然后将其转换为高效的对话策略，从而实现目标完成率更高且能够跳过不必要的问题。

Mar, 2023

该论文介绍了 INSCIT 数据集，该数据集用于信息搜索对话的研究，其中包含 805 个人 - 人之间的对话中的 4.7K 用户 - 代理器的交互，定义了证据段落识别和响应生成的两个子任务，以及一个新的人类评估协议以评估模型的性能，证实现有大量改进的空间。

Jul, 2022

提出了一种名为 AT-DKT 的基于多任务学习的知识追踪方法，它使用问题标记任务和个性化先前知识预测任务来改进原始的深度知识追踪模型，以更好地捕捉学生的历史表现，并在三个真实的教育数据集上得到比所有序列模型更好的 AUC 结果。

Feb, 2023

本研究提出了行之有效的 Interpretable Knowledge Tracing (IKT) 模型，使用机器学习和数据挖掘技术从学生响应数据中提取有意义的潜在特征，从而预测学生的未来表现。该模型可为真实世界的教育系统提供自适应和个性化的教学，并具有因果推理能力。

Dec, 2021

本文分析了不同的交互方式和策略在交谈式搜索中的表现（采用两种不同的混合倡议方法：查询建议和查询澄清），并发现查询澄清在首先提出时更有效，而查询建议则在展示结果后提出时更好。此外，作者强调了分析 CSA 所涉及的复杂性和挑战，为批处理 / 离线设置中评估会话策略和会话搜索代理奠定了基础。

Sep, 2021

该论文提出了一种基于交互的文本问答任务 QAit，通过使用基于深度强化学习的智能体与部分可观察的文本环境交互来获取答案所需的信息，提高了机器阅读系统在问答任务中的表现。

Aug, 2019

任务驱动的对话系统使用外部非结构化知识源来扩展任务领域 API 的覆盖范围，三个任务包括知识寻找、选择和响应生成，并用集成方法和大规模预训练语言模型取得了高性能。

Jan, 2021