- AAAI领域无关的实值特异性预测
本文提出了一种基于无监督域适应的句子特定性预测系统，旨在为不可用标注数据的领域输出更加精细的实值特定性评分，并通过控制后验分布来校准预测的值，该框架在三个不同领域的推广效果较好，并展示了它在提高对话生成系统的质量和信息量方面的潜力。
- 神经对话生成中的半监督显式状态跟踪
本文提出了一种基于神经网络的半监督显式对话状态跟踪器（SEDST），并利用 CopyFlowNet 表示一个显式的对话状态，并引入后验正则化策略进行间接监督。实验表明，我们的模型在任务导向和非任务导向的对话数据集上均取得了明显的优势。
- EMNLP对话生成中基于自编码器的语义依存匹配模型
提出一种基于自动编码器匹配的模型，用于学习对话生成任务中输入和输出的语义依赖关系，实现生成有逻辑性、流畅性的回复。
- AAAI对话生成中改进变分编码器 - 解码器
本文通过将训练步骤分为两个阶段来解决 KL - 消失问题，采用多层感知器对高斯噪声进行变换来对潜在变量进行采样，从而实现更灵活的分布，实验结果表明，我们的模型在度量和人类评估方面都有大幅度提高。
- 端到端生成式对话代理的对抗性学习
本文提出了一种新的对话生成对抗学习方法，包括一个新的生成对话模型和基于标记的分类的鉴别器，实现端到端的反向传播训练，并通过自对话进程生成具有更多多样性的对抗训练数据。实验证明，与传统的教师强制训练相比，该对抗方法显著提高了问答无关训练数据的 - 对话生成中的特定性控制数据精炼
本研究提出了一种基于神经网络的对话代理方法，通过数据精简和模型训练相结合的方式，使得该代理能够根据输入上下文自动调整回复的具体程度，同时使用增强学习系统从多个生成模型中选择最适合当前输入的模型，从而生成更有趣、更高质量的回复。
- ACL潜变量对话模型及其多样性
该研究提出了一种对话生成模型，直接捕获了可能的多样性响应，从而减少了确定性对话模型的‘无聊输出’问题。实验表明，与基线模型相比，我们的模型生成更多样的输出，并且比从确定性编码器 - 解码器模型中进行抽样生成的输出更加一致接受。
- 对话生成的深度强化学习
本研究基于强化学习，建立一个可生成更多交互式回复、更长且不重复的对话、更容易回答问题的聊天机器人的神经对话模型。