- ACLSOLOIST: 基于迁移学习和机器教学的大规模任务机器人构建
SOLOIST 是一种利用迁移学习和机器教学构建任务机器人的新方法。我们使用基于 Transformer 的自回归语言模型对经典的模块化面向任务的对话系统进行参数化，可以通过机器教学将预训练模型高效地适应完成新任务。该预训练模型在 CamR - ACL对话学习器 -- 用于构建任务导向对话系统的对话管理器的机器教学工具
该研究论文提出了 Conversation Learner，一种结合了规则导向对话管理和基于机器学习的参数模型的机器教学工具，可以通过利用用户和系统之间的对话日志作为训练数据，帮助对话作者构建灵活应对复杂对话的对话管理器。
- 基于分层 Transformer 网络的话语级情感识别
通过提出一种基于分层 Transformer 框架的情感识别方法，该方法结合了预训练语言模型和说话人嵌入，能在不同背景环境和不同说话人的情况下有效地捕捉言语的情感信息，实验结果表明该方法在三个对话数据集上分别取得了 1.98％、2.83％和 - EMNLP口语对话系统的依存句法分析
本研究提出了一种名为 SCUD 的新的语言依存注释标准，并提供了 ConvBank 数据集，以用于在人机对话方面训练依存句法分析模型。实验表明，将模型预训练于公共数据集并在 ConvBank 数据上进行微调可以取得最好的结果，达到了 85. - EMNLPTaskmaster-1: 迈向逼真多样话语数据集
该研究介绍了一个新的数据集 Taskmaster-1，其中包括 13,215 个基于任务的对话，包括六个领域。数据集包含了更多现实和多样化的对话，使用了两种不同的方法进行数据收集并提供了多个基准模型，其中 API 调用和参数被标记为基于任务 - ACL面向通用和可扩展的信念跟踪的 Slot-Utterance 匹配
本文提出了一种称为 slot-utterance matching belief tracker（SUMBT）的通用和可扩展的置信度跟踪方法，它通过基于上下文语义向量的注意力机制来学习域 - 插槽类型和出现在话语中的插槽值之间的关系，使用非 - ACL无监督对话结构学习
通过使用改良后的 VRNN 模型和离散潜在向量来提取对话结构，我们的方法在预测未见数据方面具有优异性能，并在加入对话结构后的奖励功能设计实现了更快的强化学习收敛和更好的结果。
- ACL对话系统中的异常值检测，提高数据质量和多样性
使用神经句向量和基于距离的异常检测技术，本文介绍了一种检测短文本语料中错误和独特样本的技术，并提出了一种新的数据采集流程，可以同时去除错误数据和自动挖掘独特数据，实验结果表明，该技术可以有效地发现错误并产生更鲁棒的意图分类和槽位填充模型。
- AAAI面向诺干式端到端应答选择的顺序注意力网络
本文提出了一种基于序列匹配模型的多轮对话响应选择算法，相比之前的模型，该模型在提升多轮对话系统中的响应选择效果方面取得了更好的表现，并在两个大规模公开数据集上均获得了最优表现。
- AAAI个性化端到端目标导向对话学习
本文提出一种个性化的端到端模型，以应用个性化技术来解决对话系统中的一些悬而未决的问题。该模型结合了 “个人资料模型” 和 “偏好模型” 两个子模型，并实践证明其在对话系统任务完成率和用户满意度等方面取得了良好表现。
- 通过改写实现强大的口语理解
本论文提出了一种新颖的基于改写的 SLU 模型，结合 RNN 和序列到序列的神经网络提出了两个改写生成器，并证明了模型对罕见和复杂的改写话语具有鲁棒性。
- 仅使用领域内语句的神经句子嵌入在对话系统中检测领域外句子
为了保证用户体验，本文提出了一种新颖的神经句子嵌入方法，通过在低维连续向量空间中表示句子来区分领域内和领域外的句子，并通过学习以识别领域外的句子。 在八个领域的对话系统中实验比较表明，我们提出的方法在所有测试中都获得了最高的准确性。
- 多模态基于注意力机制视频特征的端到端视听场景感知对话
该论文介绍了一种新的视频场景感知对话系统，该系统将多个研究领域的最新技术整合应用 ，包括端到端的对话技术、视觉问答技术，以及视频描述技术。通过收集一个有关人类行为视频的对话数据集，作者们使用该数据集训练出一种多模态对话模型，它可以在对视频进 - 会话式推荐系统
本文提出将对话系统和推荐系统结合到一起，基于深度强化学习框架构建个性化的对话推荐代理以优化每个会话的效用函数。
- ACL情感自适应端到端对话系统
本研究提出，在末端到末端的对话系统学习框架中包含通过多模式信息获取的用户情感信息，以使系统更具用户适应性和效果。结果，这项工作是在自适应末端到末端对话系统训练框架中首次尝试将多模式用户信息纳入其中并达到最先进的表现。
- ACLMem2Seq: 将知识库有效地整合到端到端任务导向的对话系统中
本文提出了一种名为记忆到序列（Mem2Seq）的神经生成模型，该模型将多跳记忆和指针网络的思想结合在一起，用于解决端到端面向任务的对话系统中包含知识库的挑战。我们实验证明 Mem2Seq 可以控制每个生成步骤，并展示其多跳注意机制如何帮助学 - CVPR双人博弈：具有辨别式问题生成和回答的视觉对话
展示了一个简单对称的辨别性基线，该基线可用于预测答案和问题，其性能与最先进的记忆网络方法相当。此外，首次在视觉对话数据集上评估了提问系统的性能，并展示了如何从辨别式问题生成和问题回答生成视觉对话。
- AAAI复杂的连续问答：学习在知识图谱上对话问答对
本文提出了一个任务，即 Complex Sequential QA，它结合了回答简单事实性问题和通过一系列有逻辑的问答匹配进行会话来进行复杂推理，本文也介绍了关于这个任务所需数据集，以及目前现有的模型在处理实际场景中还存在的不足。
- AAAI使用神经网络基准进行非上下文讽刺建模
本文介绍一种基于概率建模的新颖方法，通过使用人类讽刺基准对神经网络进行训练，识别、分类和学习讽刺文本的特征，并建立一个对细微差异敏感的情感分析模式，以实现更自然、更吸引人的对话系统。
- DailyDialog：一个手工标注的多轮对话数据集
我们开发了一个高质量的多回合对话数据集 DailyDialog，包括人类编写的不太嘈杂的语言，反映我们日常交流方式并涵盖我们日常生活的各种主题。我们手动标记了这个数据集的通信意图和情感信息，并在 DailyDialog 数据集上评估现有的方