Animating Language Practice: Engagement with Stylized Conversational Agents in Japanese Learning
Columbia University, RoleGaku（哥伦比亚大学，RoleGaku）；Columbia University（哥伦比亚大学）
Jouzu通过动漫风格的对话代理提升日语学习者的互动体验和语言表达能力。
2025-12-01 cs.CL cs.HC
Training Conversational Agents with Generative Conversational Networks
Amazon（亚马逊）
网络上丰富的开放域文本数据为语言处理带来了巨大的进步。然而，虽然这些数据可能适合语言处理任务，但它们大多是非会话的，缺乏人类交互中出现的许多现象，这就是为什么我们在会话人工智能中仍然存在许多未解决的挑战的原因之一。在这项工作中，我们试图解决这个问题，使用生成会话网络自动生成数据和训练社会会话代理。我们在TopicalChat上使用自动指标和人工评估器评估了我们的方法，结果表明，使用10%的种子数据，它的性能接近使用100%数据的基线。
2021-10-15 cs.CL
A Vietnamese Text-Based Conversational Agent
Faculty of Information Technology University of Engineering
本文介绍了一个越南语基于文本的会话代理架构的特定知识领域，这是集成在一个问答系统。当问答系统无法对用户的输入提供答案时，我们的会话代理可以介入与用户交互以向用户提供答案。实验结果是有希望的，我们的越南语基于文本的会话代理实现了积极的反馈，在大学学术监管领域进行的研究。
2019-11-26 cs.CL
A Conversational Agent System for Dietary Supplements Use
University of Minnesota（明尼苏达大学）；University of Florida（佛罗里达大学）
膳食补充剂（DS）已被消费者广泛使用，但围绕DS的功效和安全性的信息是不同的或不完整的，从而为消费者有效地找到信息创造了障碍。会话代理（CA）系统已被应用到医疗保健领域，但没有这样的系统来回答消费者关于DS的使用，虽然DS的广泛使用。在本研究中，我们开发了第一个用于DS的CA系统
2021-05-10 cs.AI cs.CL cs.HC
Conversational Agents and Children: Let Children Learn
Boise State University（博伊西州立大学）；TU Delft（代尔夫特理工大学）
使用在线信息发现作为一个案例研究，在这个立场文件中，我们讨论了需要设计，开发和部署（会话）代理，可以-非侵入性-引导儿童在他们寻求在线资源，而不是简单地为他们寻找资源。我们认为，代理应该“让孩子们学习”，并应建立一个教师促进者的功能，让孩子们发展他们的技术和批判性思维能力，因为他们与各种技术在广泛的用例进行交互。
2023-02-23 cs.CL
Coral: An Approach for Conversational Agents in Mental Health Applications
Pune Institute of Computer Technology（浦那计算机技术学院）
有些人可能很难在心理健康专家面前敞开心扉，分享他们的想法和感受。对于那些更容易使用虚拟代理的人来说，会话代理可以作为正确方向的中间步骤。因此，会话代理必须具有同理心，能够进行自由流动的会话。为此，我们提出了一种方法来创建一个生成移情开放域聊天机器人，可用于心理健康应用程序。我们利用大规模的预训练和移情会话数据，使响应在本质上更具移情性，并采用多轮对话安排来保持上下文。我们的模型在移情对话测试集上取得了最先进的结果。
2021-11-16 cs.CL
Toward Continual Learning for Conversational Agents
Microsoft Research（微软研究院）
虽然端到端神经会话模型在减少手工制作的功能和传统复杂系统架构引起的错误方面取得了可喜的进展，但由于缺乏模块化，它们通常需要大量的数据。以前的研究采用了混合的方法，以知识为基础的组件，要么抽象出特定领域的信息，或增加数据，以涵盖更多样化的模式。相反，我们建议使用神经模型持续学习空间的最新发展来直接解决这个问题。具体来说，我们采用了一个独立于域的神经会话模型，并引入了一种新的神经持续学习算法，该算法允许会话代理以数据有效的方式在不同的任务中积累技能。据我们所知，这是将持续学习应用于会话系统的第一项工作。我们验证了我们的方法的有效性，通过会话技能转移，无论是合成对话或人与人的对话，人机对话中的客户支持域。
2018-01-09 cs.AI cs.CL cs.HC
Measuring Conversational Fluidity in Automated Dialogue Agents
Queen Mary College, University of London（伦敦大学玛丽女王学院）；Constellation AI
我们提出了一个自动化的评估方法来衡量流动性会话对话系统。该方法将各种最先进的自然语言工具结合到分类器中，并对这些对话进行人工评分以训练自动判断模型。我们的实验表明，结果是现有的测量流动性的指标的改进。
2019-10-25 cs.CL
CoachAI: A Conversational Agent Assisted Health Coaching Platform
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Konstanz（康斯坦茨大学）
不良的生活方式是一个健康风险因素，是发病率和慢性病的主要原因。不良生活方式的影响可以通过个人行为的改变而显著改变。尽管当前医疗保健向持久的可修改行为转变，然而，随着护理者工作量的增加和个人对护理的持续需求，需要减轻护理者的工作，同时确保与用户的持续交互。本文介绍了CoachAI的设计和验证，会话代理辅助健康教练系统，以支持健康干预提供给个人和团体。CoachAI实例化了一个基于文本的医疗聊天机器人系统，它连接了远程人类教练和用户。这项研究提供了三个主要贡献的预防保健和健康的生活方式的推广：（1）它提出了会话代理，以帮助照顾者;（2）它的目的是减少照顾者的工作量，并加强对用户的照顾，通过处理（自动化）重复的照顾者任务;（3）它提出了一个域独立的移动健康会话代理的健康干预交付。我们将讨论我们的方法，并分析为期一个月的身体活动，健康饮食和压力管理验证研究的结果。
2019-04-26 cs.AI cs.CL cs.HC
VideoFDB: Evaluating Full-Duplex Vision-Speech Capabilities in Conversational Agents
NVIDIA；David AI
提出首个全双工视听到视听（AV2AV）对话基准VideoFDB，通过237个真实视频片段、感知与生成行为分类以及基于评分规则的LM评判框架，系统评估代理在非语言对话动态中的表现，发现现有系统存在字幕崩溃和视觉流忽视等缺陷。
2026-07-30 cs.CL cs.CV cs.HC
SocialBench: Sociality Evaluation of Role-Playing Conversational Agents
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Alibaba Group（阿里巴巴集团）
提出SocialBench基准，从个体与群体层面评估角色扮演对话智能体的社交性，并通过主流开源和闭源LLM揭示群体互动中的能力差异与行为漂移。
2024-08-05 cs.CL
A Concise Agent is Less Expert: Revealing Side Effects of Using Style Features on Conversational Agents
University of Pennsylvania（宾夕法尼亚大学）
研究揭示了在对话代理中使用风格特征时的副作用，指出不同风格特征之间存在深度交织，传统方法难以有效控制，需更原理化的多目标引导策略。
2026-01-15 cs.CL
Contextual Language Model Adaptation for Conversational Agents
Amazon Alexa Machine Learning（亚马逊Alexa机器学习部门）；University of Rochester（罗切斯特大学）
统计语言模型（LM）在会话主体使用的自动语音识别（ASR）系统中起着关键作用。这些ASR系统应该在各种说话风格、领域、词汇和隐语下提供高准确性。在本文中，我们提出了一种基于DNN的方法，通过预测一个最佳的，上下文相关的LM插值权重集，根据广义上下文信息，使LM适应每个用户-代理交互。我们表明，这种框架的上下文适应提供了不同的可能的混合LM分区相关的准确性提高（1）目标导向的会话代理，它的自然分区的数据所请求的应用程序和（2）非目标导向的会话代理，其中数据可以使用来自主题分类器的预测的主题标签进行分区。我们得到了一个相对的WER改善3%的1-通过解码策略和6%的2-通过解码框架，在一个未适应的模型。我们还显示了一个15%的相对改善，在识别命名的实体，这是会话ASR系统的重要价值。
2018-07-31 cs.CL
Demonstrating CAT: Synthesizing Data-Aware Conversational Agents for Transactional Databases
Technical University of Darmstadt（达姆施塔特工业大学）；LMU Munich（慕尼黑大学）
用于OLTP的数据库通常是酒店客房或电影票预订应用程序等应用程序的主干。然而，开发会话代理（即，类似聊天机器人的界面）以允许终端用户使用自然语言与应用交互，这需要大量的训练数据和NLP专业知识。这激发了CAT，它可以用来轻松地为事务数据库创建会话代理。其主要思想是，对于给定的OLTP数据库，CAT使用弱监督来合成所需的训练数据，以训练最先进的会话代理，允许用户与OLTP数据库交互。此外，CAT还提供了生成的代理与数据库的开箱即用集成。作为现有的会话代理的主要区别，CAT合成的代理是数据感知的。这意味着代理根据数据库中的当前数据分布决定应该向用户请求哪些信息，与非数据感知代理相比，这通常会导致明显更有效的对话。我们将CAT的代码作为开源发布。
2022-03-26 cs.CL cs.DB
Mediators: Conversational Agents Explaining NLP Model Behavior
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；Technische Universität Berlin（柏林工业大学）
以人为中心的可解释人工智能（HCXAI）社区提出了将解释过程框定为人机对话的需求。在本立场文件中，我们为中介者（Mediators）建立了必要条件，中介者是基于文本的对话代理，能够使用自然语言交互式解释神经模型的行为。从自然语言处理（NLP）研究的角度来看，我们工程师这样一个调解人的情感分析的任务的蓝图，并评估目前的研究有多远的道路上，以对话为基础的解释。
2022-06-13 cs.AI cs.CL cs.HC
Towards Human-centered Proactive Conversational Agents
National University of Singapore（新加坡国立大学）；Singapore Management University（新加坡管理大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Georgetown University（乔治城大学）
本文提出人本主动对话智能体应兼顾智能性、适应性与文明性，建立新分类体系，探讨系统构建五阶段的研究机遇与挑战，为对话式信息检索奠基。
2024-04-19 cs.CL cs.HC cs.IR
WOAH: Preliminaries to Zero-shot Ontology Learning for Conversational Agents
Telefónica R&D（西班牙电信研发部门）；Universidad Politécnica de Madrid（马德里理工大学）
本文提出了加权本体近似启发式（WOAH），一种新的zero-shot方法，本体估计会话代理开发环境。该方法提取动词和名词分别从数据中提取的依赖关系，并应用相似性和稀疏性度量生成一个本体估计可配置的泛化水平。
2017-09-19 cs.AI cs.CL
Talking to myself: self-dialogues as data for conversational agents
School of Informatics（信息学院）；University of Edinburgh（爱丁堡大学）
随着智能设备的日益普及，会话代理越来越受欢迎。然而，由于缺乏合适的语料库，以数据驱动的方式训练代理是具有挑战性的。本文提出了一种新的方法，收集主题，非结构化的对话数据在一个有效的方式：通过众包的自我对话。除了这篇论文，我们还包括一个360万字的语料库，涉及23个主题。我们认为语料库的实用性，通过比较自我对话与标准的两方对话，以及从其他语料库的数据。
2018-09-19 cs.AI cs.CL
Ruuh: A Deep Learning Based Conversational Social Agent
Microsoft（微软）
对话系统和会话Agent在现代社会中越来越流行，但构建能够与用户进行智能对话的Agent是人工智能面临的一个挑战性问题。在这个演示中，我们展示了一个基于深度学习的会话社交代理，名为“Ruuh”（facebook.com/Ruuh），由微软印度的一个团队设计，可以就广泛的主题进行对话。Ruuh需要超越仅仅生成“相关”响应的功利主义概念，满足更广泛的用户社交需求，例如当用户最喜欢的球队获胜时表达快乐，在显示用户宠物的照片时分享可爱的评论等等。代理还需要检测和响应用户的辱骂性语言，敏感话题和拖钓行为。这些问题中的许多都提出了重大的研究挑战，我们将在演示中展示。迄今为止，我们的代理已与超过200万真实世界用户进行了互动，产生了超过1.5亿次用户对话。
2018-10-22 cs.CL
Towards a Sentiment-Aware Conversational Agent
INESC-ID（里斯本系统与计算机工程研究所）；Instituto Superior Técnico（高等技术学院）；Universidade de Lisboa（里斯本大学）；Unbabel（Unbabel公司）
在本文中，我们提出了一个端到端的情感感知会话代理基于两个模型：一个回复情感预测模型，它利用对话的上下文来预测一个适当的情感代理在其回复中表达;和一个文本生成模型，这是有条件的预测的情感和对话的上下文，以产生一个回复，这是上下文和情感适当。此外，我们建议使用情感分类模型来评估模型开发过程中代理所表达的情感。这使我们能够以自动的方式评估代理。自动和人工评估结果都表明，使用预定义的句子集明确指导文本生成模型，无论是在表达的情感还是生成的文本质量方面，都有明显的改善。
2022-07-24 cs.CL
Towards Personalized Dialog Policies for Conversational Skill Discovery
Amazon Alexa（亚马逊Alexa）
许多企业和消费者正在扩展基于语音的服务的功能，例如Amazon Alexa，Google Home，Microsoft Cortana和Apple Siri，以创建自定义语音体验（也称为技能）。随着这些体验的增加，一个关键问题是发现可用于解决用户请求的技能。在本文中，我们专注于会话技能发现，并提出了一个会话代理，从事与用户的对话，以帮助他们找到满足他们需求的技能。为此，我们从基于规则的代理开始，并通过使用强化学习对其进行改进。通过这种方式，我们使代理能够适应不同的用户属性和会话风格，因为它与用户交互。我们评估我们的方法在一个真正的生产环境中部署的代理与真实的用户进行交互，并显示对话代理的有效性，帮助用户找到他们的要求服务的技能。
2019-11-15 cs.AI cs.CL cs.HC
Dual Hierarchical Dialogue Policy Learning for Legal Inquisitive Conversational Agents
Georgetown University（乔治城大学）；Singapore Management University（新加坡国立管理学院）
本文提出双层级强化学习框架，用于法律场景中主动提取信息的对话代理，通过协调策略管理和细粒度生成，提升法律目标达成能力。
2026-05-15 cs.CL
MADS: Multi-Agent Dialog Simulation for Robust Conversational Agents
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Uniphore（尤尼福公司）
针对现有函数调用基准对抗性对话轨迹代表性不足的问题，提出MADS多智能体对话模拟流水线，构建含66%易出错场景的MADS-Bench基准，结合SFT与RLVR训练方法提升对话智能体鲁棒性。
2026-10-12 cs.CL
From Simulation to Strategy: Automating Personalized Interaction Planning for Conversational Agents
Department of Computer Science and Information Engineering（计算机科学与信息工程系）；National Taiwan University（台湾大学）
本文提出了一种基于职业信息的轻量级策略，用于优化销售导向对话代理的个性化交互规划，通过调整对话意图提升对话效果。
2025-12-05 cs.CL
ProsocialDialog: A Prosocial Backbone for Conversational Agents
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Seoul National University（首尔国立大学）；University of Washington（华盛顿大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Carnegie Mellon University（卡内基梅隆大学）
大多数现有的对话系统无法通过忽略或被动地同意潜在不安全的用户话语来适当地响应它们。为了解决这个问题，我们引入了ProsocialDialog，这是第一个大规模的多轮对话数据集，用于教会话代理按照社会规范对有问题的内容做出反应。涵盖各种不道德的，有问题的，有偏见的和有毒的情况，ProsocialDialog包含鼓励亲社会行为的反应，基于常识性的社会规则（即，经验法则，RoTs）。ProsocialDialog通过人类-人工智能协作框架创建，由58 K对话组成，其中包括331 K话语，160 K独特的RoT和497 K对话安全标签以及自由形式的基本原理。有了这个数据集，我们引入了一个对话安全检测模块，金丝雀，能够生成RoTs给定的会话背景下，和社会知情的对话代理，普罗斯特。实证结果表明，普罗斯特产生更多的社会可接受的对话相比，其他国家的最先进的语言和对话模型在域内和域外设置。此外，金丝雀有效地指导会话代理和现成的语言模型，以产生显着更多的亲社会反应。我们的工作突出了创造和引导对话式人工智能对社会负责的承诺和重要性。
2022-10-25 cs.CL
Can You Put it All Together: Evaluating Conversational Agents' Ability to Blend Skills
Facebook AI Research（Facebook人工智能研究院）
具有吸引力、知识渊博和同情心都是会话代理人所需的一般素质。以前的工作已经引入了任务和数据集，旨在帮助代理孤立地学习这些品质，并衡量他们能够表达它们的程度。但是，一个好的开放域会话代理应该能够将它们无缝地融合到一个有凝聚力的会话流中，而不是专注于一个单一的质量。在这项工作中，我们研究了几种方法来结合模型训练到孤立的能力，从简单的模型聚合方案，需要最少的额外培训，以各种形式的多任务培训，包括在所有培训阶段的几种技能。我们进一步提出了一个新的数据集BlendedSkillTalk，以分析这些功能如何在自然对话中相互融合，并比较不同架构和训练方案的性能。我们的实验表明，与单一技能训练的模型相比，专注于特定功能的多个任务的多任务处理会导致更好的混合对话性能，并且如果它们被构造为避免不必要的偏见，那么统一或两阶段方法都表现良好。
2020-04-17 cs.CL
SAPIENT: Mastering Multi-turn Conversational Recommendation with Strategic Planning and Monte Carlo Tree Search
Department of Computer Science and Engineering, The Ohio State University, USA（计算机科学与工程系，俄亥俄州立大学）；Department of Biomedical Informatics, The Ohio State University, USA（生物医学信息学系，俄亥俄州立大学）；Translational Data Analytics Institute, The Ohio State University, USA（转化数据分析研究所，俄亥俄州立大学）
SAPIENT框架通过蒙特卡洛树搜索规划对话并自训练对话智能体，在多轮对话推荐中超越现有最先进方法。
2025-05-08 cs.CL
Audio-Visual Understanding of Passenger Intents for In-Cabin Conversational Agents
Intel Labs（英特尔实验室）
在自动驾驶汽车（AV）交互系统中，构建位于车厢内的多模态对话理解能力对于提高乘客舒适度至关重要。为此，理解乘客的意图，从口头互动和车辆视觉系统是一个关键组成部分，为AV开发上下文和视觉接地会话代理。为了实现这一目标，我们探讨了AMIE（自动车辆多模式机舱内体验），机舱内代理负责处理多模式的运输车的相互作用。在这项工作中，我们讨论了多模态理解的好处，将口头/语言输入与非口头/声学和视觉线索从车内和车外。我们的实验结果优于纯文本基线，因为我们使用多模态方法实现了意图检测的性能改进。
2020-07-08 cs.CL
A Desideratum for Conversational Agents: Capabilities, Challenges, and Future Directions
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本综述提出对话智能体的期望目标，从推理、监控、控制三维度分析LLM驱动智能体，指出评估、长期推理、自我进化等关键研究方向，推动迈向AGI。
2025-04-07 cs.AI cs.CL
Developing Enhanced Conversational Agents for Social Virtual Worlds
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；University of Granada（格拉纳达大学）
本文提出一种结合人工智能、自然语言处理、情感计算与用户建模的方法，开发面向社交虚拟世界的具身多模态对话智能体，其对话行为能基于语料库与交互知识自适应学习，并在Second Life中成功验证了其对用户特征的适应性。
2025-01-14 cs.CL cs.SD eess.AS
Local Knowledge Powered Conversational Agents
UNC Charlotte（北卡罗来纳大学夏洛特分校）；NVIDIA（英伟达）；OpenAI（开放人工智能研究中心）
国家的最先进的会话代理显着先进的结合使用大型transformer为基础的语言模型。然而，即使有了这些进步，会话代理仍然缺乏产生与本地上下文信息丰富和一致的响应的能力。在这项工作中，我们提出了一个对话框架，结合本地知识以及用户过去的对话，以产生高质量的对话。我们介绍了一种基于Reddit对话构建数据集的方法，其中出站URL链接在对话中广泛存在，并且超链接文档可以自然地作为本地外部知识包含在内。使用我们的框架和数据集，我们证明，结合本地知识可以在很大程度上提高信息性，一致性和现实性的措施，使用人类的评价。特别是，我们的方法在所有三个指标上都始终优于Reddit数据集上最先进的会话模型。我们还发现，将我们的模型的大小从117M扩展到8.3B参数，可以持续改善验证困惑度和人类评估指标。我们的模型与8.3B参数可以生成类似人类的反应，在单轮对话设置中的各种人类评价。
2020-10-20 cs.AI cs.CL cs.HC
Conversational Agents: Theory and Applications
Chalmers University of Technology（查尔姆斯理工大学）；Department of Mechanics and Maritime Sciences Chalmers University of Technology（查尔姆斯理工大学力学与海事科学系）
在本章中，我们将回顾会话代理（CA），讨论聊天机器人，旨在与用户进行随意对话，以及面向任务的代理，通常参与旨在实现一个或多个特定目标的讨论，通常（但不总是）在特定领域内。我们还考虑了体现会话代理的概念，简要回顾了角色动画和语音处理等方面。许多不同的方法来代表CA中的对话进行了详细讨论，以及评估这些代理人的方法，强调问责制和可解释性的重要议题。简要的历史概述，其次是各种应用的广泛概述，特别是在卫生和教育领域。我们通过讨论当前和未来CA技术的社会影响的好处和潜在风险来结束本章。
2022-02-07 cs.AI cs.CL
Would you Like to Talk about Sports Now? Towards Contextual Topic Suggestion for Open-Domain Conversational Agents
Emory University（埃默里大学）
为了进行真正的对话，智能代理应该能够偶尔采取主动，并推荐下一个自然的对话主题。这是一项具有挑战性的任务。代理人建议的话题应该与人相关，适合对话上下文，并且代理人应该有一些有趣的话题要说。因此，照本宣科，或一刀切，基于受欢迎程度的话题建议注定会失败。相反，我们探索不同的方法，为开放域对话的个性化，上下文主题建议。我们正式的会话主题建议问题（CTS），以更清楚地确定的假设和要求。我们还探索了三种可能的方法来解决这个问题：（1）基于模型的顺序主题建议，以捕获会话上下文（CTS-Seq），（2）基于协同过滤的建议，以捕获以前成功的会话从类似的用户（CTS-CF），和（3）一个混合的方法结合会话上下文和协同过滤。为了评估这些方法的有效性，我们使用了作为Amazon Alexa Prize 2018对话AI挑战赛的一部分收集的真实对话。结果令人鼓舞：CTS-Seq模型建议的主题比基线高出23%的准确度，并且将协同过滤信号并入混合CTS-Seq-CF模型中进一步将推荐准确度提高了12%。总之，我们提出的模型，实验和分析显着推进开放域会话代理的研究，并为未来的改进提出了有前途的方向。
2020-05-28 cs.CL
Multi-Party Conversational Agents: A Survey
University of Central Florida（中央佛罗里达大学）；Stony Brook University（石溪大学）
本综述围绕心理状态建模、语义理解和行动建模三个关键问题，系统梳理多方对话智能体的最新进展，强调心智理论与多模态理解的重要性。
2025-05-24 cs.CL
StockBabble: A Conversational Financial Agent to support Stock Market Investors
University of Kent（肯特大学）
我们介绍StockBabble，这是一个会话代理，旨在支持对股票市场的理解和参与。StockBabble的价值和新颖性在于它能够赋予散户投资者（其中许多人可能是投资新手）权力，并使用用户友好的代理人补充他们的信息需求。用户可以查询公司信息，检索股票的一般和财务概况，包括访问最新的新闻和交易建议。他们还可以要求包含实时价格和技术投资指标的图表，并将股票添加到个人投资组合中，以便随时监控业绩。为了评估我们代理的潜力，我们进行了一项有15名参与者的用户研究。总体而言，73%（11/15）的受访者表示，使用StockBabble后，他们对投资更有信心，所有15人都会考虑向其他人推荐。这些结果令人鼓舞，并表明对此类药物有更广泛的吸引力。此外，我们相信这项研究可以帮助设计和开发未来的智能金融个人助理。
2021-06-15 cs.AI cs.CL cs.CY
ISCA: A Framework for Interview-Style Conversational Agents
McMaster University（麦斯特大学）；Stony Brook University（斯通布罗克大学）；University of Bonn（波恩大学）；University of Michigan（密歇根大学）；Johns Hopkins University（约翰霍普金斯大学）；New York University（纽约大学）
提出低计算量非生成式访谈式对话智能体框架ISCA，通过在线管理面板无需编码即可创建新访谈，支持定性数据收集和定量分析，提供COVID-19表达性访谈与神经技术公众意见调查案例，代码开源便于扩展。
2025-08-20 cs.CL
dzFinNlp at AraFinNLP: Improving Intent Detection in Financial Conversational Agents
LCPTS-FGE；USTHB；CRSTDLA；University of Algiers 01（阿尔及尔大学01分校）
本文提出dzFinNlp团队在AraFinNLP金融意图检测任务中，比较了传统机器学习、LSTM及Transformer模型，最佳模型在ArBanking77上开发集和测试集分别达到93.02%和67.21%的微F1分数。
2024-07-18 cs.CL
An Integrative Survey on Mental Health Conversational Agents to Bridge Computer Science and Medical Perspectives
University of Pennsylvania（宾夕法尼亚大学）；New York University（纽约大学）
本文通过PRISMA框架系统综述了534篇跨计算机科学与医学的心理健康对话智能体论文，揭示了两领域在方法上的差异，并提出促进跨学科发展的建议。
2023-10-25 cs.AI cs.CL
Benchmarking the Benchmarks: Evaluating Benchmarks for Conversational Agents
该研究针对对话智能体基准质量评估不足的问题，提出基于LLM评判员的无参考评估框架，可区分基准质量等级，适用于合成与人工整理的基准，验证了其有效性与实用性。
2026-08-07 cs.AI cs.CL
A Grounded Well-being Conversational Agent with Multiple Interaction Modes: Preliminary Results
University of California, San Diego（加利福尼亚大学圣地亚哥分校）
用于增强健康、医疗保健警惕和监测的技术正在兴起。然而，尽管患者感兴趣，但这种技术的采用率很低。这种有限采用的一个假设是失去了人际互动，这是医生与病人接触的核心。在本文中，我们试图通过一个会话代理，采用一个方面的人的医生-病人的互动来解决这个限制：一个人的化身，以促进医疗接地问答。这类似于医生可能指向人体或患者可能指向他们自己的身体来表达他们的状况的亲自场景。此外，我们的代理有多种互动模式，这可能会给更多的选择，为病人使用代理，不仅为医疗问答，而且还从事有关一般话题和当前事件的对话。化身和多种交互模式都可以帮助提高依从性。我们提出了一个高层次的概述设计我们的代理，玛丽机器人福祉。我们还报告了我们的早期原型的实施细节，并提出了初步的结果。
2021-11-28 cs.CL
Conversational Recommendation System with Unsupervised Learning
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）；Rulai Inc.（Rulai公司）
我们将演示一个会话式产品推荐代理。这个系统展示了我们如何将个性化推荐系统的研究与对话系统的研究相结合来构建一个虚拟销售代理。基于我们开发的新深度学习技术，虚拟代理能够学习如何与用户交互，如何回答用户问题，下一个问题是什么，以及在与人类用户聊天时推荐什么。通常，一个特定领域的下降会话代理需要成千上万的手工标记的会话数据或手写规则。这是为新域启动会话代理时的主要障碍。我们将探索和演示学习解决方案的有效性，即使没有手写的规则或手工标记的训练数据。
2016-09-22 cs.CL cs.IR cs.LG
TransferTransfo: A Transfer Learning Approach for Neural Network Based Conversational Agents
HuggingFace Inc.（HuggingFace公司）；Prospect St.（81 Prospect St.（81 Prospect街））；Brooklyn, New York 11201, USA（纽约布鲁克林区（美国）11201）
我们介绍了一种新的生成数据驱动对话系统（例如聊天机器人）的方法，称为TransferTransfo，它是基于迁移学习的训练方案和高容量Transformer模型的组合。微调是通过使用一个多任务的目标，它结合了几个无监督的预测任务。由此产生的微调模型显示出对当前最先进的端到端会话模型（如内存增强seq 2seq和信息检索模型）的强大改进。在会话智能挑战2的私人持有的PERSONA-CHAT数据集上，该方法获得了新的最先进的技术，其困惑度、Hits@1和F1指标分别为16.28（45%绝对改善）、80.7（46%绝对改善）和19.5（20%绝对改善）。
2019-02-04 cs.CL
A Study on Dialogue Reward Prediction for Open-Ended Conversational Agents
University of Lincoln（林肯大学）；Samsung Research（三星研究院）
会话代理中包括的对话历史的量通常被低估和/或以经验的方式设置，因此可能是幼稚的方式。这表明，考虑到对话历史和相应表示的量可以在会话系统的整体性能中发挥重要作用，迫切需要对最佳上下文窗口进行原则性调查。本文研究对话代理可靠预测对话奖励所需的历史量。对话奖励预测的任务被选择用于调查不同量的对话历史的影响及其对系统性能的影响。使用18 K人与人对话的数据集的实验结果报告说，至少10个句子的冗长对话历史比简短的对话历史更受欢迎（在我们的实验中，25个句子是最好的），并且冗长的历史对于训练目标对话奖励和预测之间具有强正相关性的对话奖励预测器是有用的。
2018-12-02 cs.AI cs.CL
Voice-Based Conversational Agents and Knowledge Graphs for Improving News Search in Assisted Living
Technical University of Munich（慕尼黑工业大学）；National Institute of Advanced Industrial Science and Technology（日本产业技术综合研究所）
随着医疗保健行业面临人口老龄化、员工短缺和常见慢性病等重大挑战，为个人提供高质量的护理变得非常困难。会话代理已被证明是一种有前途的技术，以减轻这些问题中的一些。以数字健康助理的形式，它们有可能改善老年人和慢性病患者的日常生活。这包括，例如，药物提醒，例行检查或社交聊天。此外，会话代理可以满足访问有关每日新闻或本地事件的信息的基本需求，这使个人能够保持知情并与周围的世界保持联系。然而，寻找相关的新闻来源和浏览网上大量的新闻文章可能是压倒性的，特别是对于那些技术素养有限或健康相关障碍的人来说。为了应对这一挑战，我们提出了一个创新的解决方案，结合知识图谱和会话代理的新闻搜索辅助生活。通过利用图形数据库对新闻数据进行语义结构化，并实现直观的基于语音的界面，我们的系统可以帮助依赖护理的人轻松地发现相关的新闻文章，并提供个性化的推荐。我们解释了我们的设计选择，提供了一个系统架构，分享了初步用户测试的见解，并给出了未来工作计划的展望。
2023-03-24 cs.CL
Open-Domain Conversational Agents: Current Progress, Open Problems, and Future Directions
Facebook AI Research
我们提出了我们的观点，什么是必要的，以建立一个引人入胜的开放域会话代理：覆盖这样一个代理的质量，到目前为止已经建成的拼图的碎片，以及我们还没有填补的漏洞。我们提出了一个有偏见的观点，专注于我们自己的小组所做的工作，同时引用每个领域的相关工作。特别是，我们详细讨论了持续学习的属性，提供引人入胜的内容，并表现良好-以及如何衡量提供它们的成功。最后，我们讨论了我们的经验和教训，以及我们对社区的建议。
2020-07-13 cs.AI cs.CL
Exploring the context of recurrent neural network based conversational agents
Maastricht University（马斯特里赫特大学）
会话代理已经开始在学术（研究方面）和商业（应用方面）世界中兴起。本文研究了使用神经网络生成模型构建非目标驱动的会话代理的任务，并分析了如何处理会话上下文。它比较了一个更简单的编码器-解码器与分层递归编码器-解码器架构，该架构包括一个额外的模块来使用先前的话语信息对会话的上下文进行建模。我们发现，分层模型能够提取相关的上下文信息，并将它们包含在输出的生成中。然而，在语法正确的输出和有意义的响应方面，它的表现比简单的编码器-解码器模型差（35-40%）。尽管有这些结果，实验表明，由于特定主题相关词的频率增加，关于类似主题的对话在上下文空间中彼此接近，从而为未来的研究以及如何利用对话的上下文留下了有希望的方向。
2019-01-31 cs.AI cs.CL
AutoMedic: An Automated Evaluation Framework for Clinical Conversational Agents with Medical Dataset Grounding
Yonsei University College of Medicine（延世大学医学院）；Yonsei Institute for Digital Health（延世大学数字健康研究所）；Yonsei University（延世大学）；Institute of Behavioral Sciences in Medicine（医学行为科学研究所）
AutoMedic是一种基于医学数据集的自动化评估框架，用于评估临床对话代理的多方面性能，包括准确性、效率、同理心和鲁棒性。
2025-12-11 cs.CL cs.LG cs.MA
SGMem: Sentence Graph Memory for Long-Term Conversational Agents
Huawei Technologies Co., Ltd（华为技术有限公司）
SGMem通过句子图记忆在分块单元内建模对话关联，结合原始对话与生成记忆，提升长期对话问答的准确率，在LongMemEval和LoCoMo上优于强基线。
2025-09-25 cs.CL cs.IR
Bootstrapping Conversational Agents With Weak Supervision
IBM Watson（IBM沃森）；IBM Research AI（IBM研究院人工智能部门）
当今市场上的许多会话代理遵循标准的机器人开发框架，该框架需要训练意图分类器来识别用户输入。创建一组合适的训练样本的需求通常是开发过程中的瓶颈。在许多情况下，代理开发人员可以访问历史聊天日志，这些日志可以提供大量的训练样本。然而，用数十到数百个意图标记它们的成本通常会阻止充分利用这些聊天日志。在本文中，我们提出了一个框架称为\textit{search, label, and propagate}（SLP）的引导意图从现有的聊天日志使用弱监督。该框架通过使用搜索引擎查找示例，将数小时到数天的标记工作减少到几分钟的工作，然后依靠数据编程方法自动扩展标签。我们报告的用户研究，显示积极的用户反馈，这种新的方法来建立对话代理，并证明了使用数据编程自动标记的有效性。虽然该系统是为训练会话代理而开发的，但该框架在显着减少训练文本分类器的标记工作方面具有更广泛的应用。
2018-12-14 cs.AI cs.CL
ADVISER: A Toolkit for Developing Multi-modal, Multi-domain and Socially-engaged Conversational Agents
University of Stuttgart（斯图加特大学）
我们提出了ADVISER -一个开源的，多域的对话系统工具包，使开发多模态（包括语音，文本和视觉），社会参与（如情感识别，参与度预测和反向通道）会话代理。我们的工具包的最终基于Python的实现是灵活的，易于使用，易于扩展，不仅适用于技术经验丰富的用户，如机器学习研究人员，而且适用于技术经验较少的用户，如语言学家或认知科学家，从而为协作研究提供了一个灵活的平台。开源代码链接：https://github.com/DigitalPhonetics/adviser
2020-05-04 cs.AI cs.CL
A Survey of Personality, Persona, and Profile in Conversational Agents and Chatbots
University of Essex（埃塞克斯大学）
本文综述了神经对话智能体中的个性研究，定义了个性、人设与画像，梳理了相关方案、21个数据集、体现方法及模型，并指出了该新兴领域的研究挑战。
2023-12-31 cs.AI cs.CL
Toward Conversational Agents with Context and Time Sensitive Long-term Memory
Zyphra（齐弗拉）
本文提出了一种结合链式表格搜索、向量数据库检索和查询消歧提示的新颖检索模型，以解决长篇对话中基于时间/事件和模糊查询的检索难题，并构建了新数据集作为基准。
2024-06-04 cs.CL cs.LG
Clarify User Expertise: Towards Proactive Conversational Agents Tailoring Responses to User Proficiency
School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所）；College of Computer Science, Sichuan University（四川大学计算机学院）
本研究针对现有对话智能体无法仅通过查询判断用户专业能力的缺陷，提出PASSING方法，通过LLM自博弈生成的询问策略主动明确用户专业能力，以调整响应提升用户理解，实验显示该方法具有优越性。
2026-08-27 cs.AI cs.CL
Adversarial Conversational Shaping for Intelligent Agents
University College London（伦敦大学学院）
针对当前对话系统不稳定、准确性不足的问题，研究了两种基于对抗式对话塑造的智能对话增强模型，并在强化学习框架下结合不同训练细节探讨其性能。
2023-07-20 cs.CL cs.LG
