本文利用局部敏感哈希树 LSH Forest 实现了基于向量表示的答案检索，并探讨了使用候选项选择方法时，这种方法的优越性。在 Ubuntu 语料库和荷兰的客户服务聊天数据集上进行的实验结果表明，检索式方法优于生成式方法，并揭示了未来研究方向。

Oct, 2017

本论文提出了一种灵活的神经网络框架，利用上下文信息从多个渠道进行整合来提高多轮对话响应排序的性能。在 MSDialog 数据集上的实验结果表明，我们的框架显著优于先前的最先进模型，提高 Recall@1 7％和 MAP 4％。

Mar, 2023

该研究旨在构建一种新型的自动预测语音理解系统，该系统利用历史对话信息预测口语意图、对话行为、说话人角色和情感等四种属性，并采用自回归模型和无序训练方法，以应对不同 SLU 任务的高效率和低延迟问题。实验证明，该系统与任务特定的分类器相当，并可有效整合对话环境以进一步提高 SLU 性能。

May, 2023

本文提出一种方法，使用注意力分配从监督序列到序列的语音到单词识别模型中直接构建上下文语音嵌入。在一系列 16 个标准句子评估任务中，我们的嵌入表现与在语音转录中训练的 word2vec 模型相当。此外，我们在口语理解任务上评估这些嵌入并观察到，我们的嵌入匹配基于文本的嵌入在首先进行语音识别，然后从转录中构建单词嵌入的流水线中的性能。

Feb, 2019

本文提出了一种基于上下文和知识加权的对话生成模型训练方法，通过 Contextual Knowledge Learning (CKL) 过程，使用上下文和知识的潜在向量进行弱监督，从而实现对加权模型的训练，实验表明 CKL 方法可以有效提高模型性能并且在训练集较小的情况下能够保持稳健的性能。

May, 2023

本文提出了一种框架，该框架将增强版本的对话上下文纳入学习目标，并利用对比学习作为辅助目标，学习鲁棒的上下文表示，以应对推断期间出现的自然扰动。实验证明，该框架与现有的增强方法相结合，可以显著改善基于 BERT 的排名体系结构，并提供更具鲁棒性的对话表示。此外，我们提出了一种新的数据增强方法 ConMix，该方法通过从批处理中的其他上下文中随机混合 token，为对话添加 token 级扰动，优于以前的数据增强方法。

Apr, 2022

本研究提出一个评估聊天机器人响应的系统，利用明确的反馈机制改进神经响应图生成模型，从而获得更具连续性和参与度的响应。

Apr, 2019

本文提出一种新颖的基于门控神经网络的语音识别模型，采用对话上下文 / 词 / 语音嵌入，结合外部词和 / 或句子嵌入来提高对话上下文表示，从而显著提高单词错误率，对 Switchboard 对话语音语料库的实验表明我们的模型优于标准的端到端语音识别模型。

Jun, 2019

本文提出一种对话导向的对比学习方法，即 DialogueCSE，以解决利用对话学习句子嵌入时出现的评估训练差距。通过引入新的匹配引导嵌入机制，该方法生成了上下文感知嵌入，并通过对比损失来最小化每个上下文感知嵌入与其对应的上下文无关嵌入的差异。实验结果表明，在三个多回合对话数据集上，该方法在 MAP 和 Spearman 相关性指标方面优于基线表现，具有很高的效力。

Sep, 2021

本文提出了一种基于角色的情境模型，通过考虑多轮对话中不同的发言者角色独立地使用其不同的语言模式，成功学习了角色特定的行为模式，并在语言理解和对话策略学习任务上显著提高了性能。

Sep, 2017