Dialogue System: A Brief Review
Punjab Technical University（旁遮普技术大学）；DAV College（DAV学院）
对话系统是一个用自然语言与人进行交互的系统。目前许多高校都在开发本地区语言的对话系统。本文将讨论对话系统，它的组成，挑战和它的评价。这篇论文有助于研究者获得有关对话系统的信息。
2013-06-18 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
Searching for Snippets of Open-Domain Dialogue in Task-Oriented Dialogue Datasets
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；Laboratoire Interdisciplinaire des Sciences du Numérique（数字科学跨学科实验室）
本研究通过主题建模探索Schema-Guided Dialogues和MultiWOZ训练集，发现面向任务对话数据中自然存在社交闲聊序列，为闲聊与任务对话的结合研究提供了依据。
2023-11-23 cs.CL
Deep Retrieval-Based Dialogue Systems: A Short Review
LS2N（LS2N实验室）；CNRS（法国国家科学研究中心）；Université de Nantes（南特大学）
构建自然地与人类交谈的对话系统是一个有吸引力的和活跃的研究领域。每天都在设计多个系统，并提供多个数据集。出于这个原因，这是很难保持最新的最先进的。在这项工作中，我们提出了最新的和最相关的检索为基础的对话系统和可用的数据集用于建立和评估它们。我们讨论他们的局限性，并为未来的工作提供见解和指导方针。
2019-07-30 cs.CL
Alquist: The Alexa Prize Socialbot
FEE, CTU Prague（捷克理工大学电气工程学院）；CIIRC, CTU Prague（捷克理工大学捷克信息学、机器人学与控制论研究所）
本文介绍了一个新的开放域对话系统Alquist开发的Alexa奖竞争的亚马逊回声线的产品的一部分。Alquist对话系统旨在就流行话题进行连贯和引人入胜的对话。我们提出了一个混合系统结合几个机器学习和基于规则的方法。我们讨论和描述了Alquist管道，数据采集，和处理，对话管理器，NLG，知识聚合和层次结构的子对话。我们提出了一些实验结果。
2018-04-18 cs.CL
How to Evaluate Your Dialogue Models: A Review of Approaches
College of Systems Engineering, National University of Defense Technology（国防科技大学系统工程学院）
评价对话系统的质量是一个未充分研究的问题。评价方法的最新演变促使进行了这项调查，其中寻求对现有方法进行明确和全面的分析。我们首先将评价方法分为三类，即，自动评估、人工参与评估和基于用户模拟器的评估。然后，每个类都涵盖了主要功能和相关的评估指标。存在的基准，适合于对话技术的评估也进行了详细讨论。最后指出了一些有待解决的问题，以期将评价方法引入一个新的领域.
2021-08-03 cs.CL
Viola: A Topic Agnostic Generate-and-Rank Dialogue System
University of Southern California（南加州大学）
我们提出了中提琴，一个开放域的对话系统口语对话，使用一个简单的生成和排名的方法的基础上的主题不可知的对话管理器。利用由大语言模型驱动的生成对话系统的最新进展，Viola从使用不同数据集和知识基础输入训练的各种神经对话模型中提取了一批响应候选者。还考虑源自基于模板的生成器的附加响应，这取决于用户的输入和检测到的实体。手工制作的生成器建立在动态知识图谱上，注入了从网络上抓取的丰富内容，并每天自动处理。Viola的响应排序器是一个微调的polyencoder，它根据对话历史选择最佳响应。虽然单独为polyencoder提供专用注释可以间接引导它避免选择有问题的响应，但我们添加了基于规则的安全网来检测神经退化，并添加了专用分类器来过滤掉攻击性内容。我们分析了Viola参加Alexa Prize Socialbot Grand Challenge 4的对话，并讨论了我们方法的优点和缺点。最后，我们建议未来的工作重点是专门为社交机器人管理会话数据，这将有助于建立一个更强大的数据驱动的社交机器人。
2021-08-25 cs.CL
Seamlessly Integrating Factual Information and Social Content with Persuasive Dialogue
Columbia University（哥伦比亚大学）；University of California, Davis（加州大学戴维斯分校）；Intel Labs（英特尔实验室）
复杂的对话设置（如说服）涉及沟通态度或行为的变化，因此需要解决用户的观点，即使与主题没有直接关系。在这项工作中，我们贡献了一个新的模块化对话系统框架，无缝集成的事实信息和社会内容到有说服力的对话。我们的框架是概括的任何对话任务，混合社会和任务的内容。我们进行了一项研究，比较了用户对我们框架的评价与基线端到端生成模型。我们发现，与没有明确处理社交内容或事实问题的端到端模型相比，我们的框架在包括能力和友好度在内的所有维度上都得到了更好的评价。
2022-09-23 cs.AI cs.CL cs.CY
Alquist 4.0: Towards Social Intelligence Using Generative Models and Dialogue Personalization
Faculty of Electrical Engineering, CTU Prague（布拉格捷克理工大学电气工程学院）；CTU Medialab（布拉格捷克理工大学媒体实验室）；DTU Compute, Technical University of Denmark（丹麦技术大学计算学院）；CIIRC, CTU Prague（布拉格捷克理工大学人工智能、机器人与控制论研究所）
开放域-对话系统Alquist的目标是进行连贯和引人入胜的对话，可以被认为是社会智力的基准之一。该系统的第四个版本是在Alexa Prize Socialbot Grand Challenge 4中开发的，带来了两个主要创新。第一个解决连贯性，第二个解决对话的连贯性。对于创新的一致性，我们提出了一种新的混合方法相结合的手设计的反应和生成模型。所提出的方法利用手工设计的对话，域外检测，和神经反应发生器。手工设计的对话引导用户完成高质量的对话流程。域外检测识别出用户偏离了预定义的流，并防止系统产生可能对意外的用户输入没有意义的脚本响应。最后，神经响应生成器基于对话的上下文生成响应，该响应正确地对意外的用户输入做出反应，并将对话返回到手动设计的对话的边界。我们提出的创新参与，主要是受到著名的探索-开发困境的启发。为了与对话伙伴进行一次引人入胜的对话，你必须了解他们的偏好和兴趣--探索。此外，为了吸引合作伙伴，我们必须利用我们已经学到的知识-剥削。在这项工作中，我们提出的原则和内部运作的开放域的对话系统Alquist开发的Alexa奖Socialbot大挑战4和实验，我们已经进行了评估。
2021-09-16 cs.AI cs.CL
A Taxonomy of Empathetic Response Intents in Human Social Conversations
School of Computer and Communication Sciences（计算机与通信科学学院）；École polytechnique fédérale de Lausanne（洛桑联邦理工学院）
开放域会话代理或聊天机器人在自然语言处理社区中越来越受欢迎。其中一个挑战是让他们以一种同情的方式交谈。目前的神经反应生成方法仅依赖于从大规模对话数据中进行端到端学习来生成对话。由于缺乏用于训练神经模型的大规模质量数据，这种方法可能产生社会上不可接受的响应。然而，最近的工作表明，结合对话行为/意图建模和神经反应生成的承诺。这种混合方法提高了聊天机器人的响应质量，使其更具可控性和可解释性。对话意图建模中的一个关键元素是分类法的开发。受此启发，我们使用相当大的移情对话数据集（25 K对话）的子集手动标记了500个响应意图。我们的目标是产生一个大规模的移情反应意图的分类。此外，使用词汇和机器学习方法，我们自动分析了整个数据集的说话者和听者话语，识别出了响应意图和32种情感类别。最后，我们使用信息可视化的方法来总结情感对话交流模式及其时间进程。这些结果揭示了新的和重要的移情模式，在人与人的开放域对话，并可以作为混合方法的启发。
2020-12-07 cs.CL
Edina: Building an Open Domain Socialbot with Self-dialogues
我们介绍了爱丁堡大学的社交机器人Alexa，用于亚马逊Alexa Prize竞赛。Repla是一个会话代理，其响应通过我们称之为自我对话的创新新技术利用从Amazon Mechanical Turk（AMT）收集的数据。在这些对话中，一个AMT工作者扮演对话中的两个参与者。这样的对话是令人惊讶的自然，有效地收集和反映相关和/或趋势的主题。这些自对话为生成神经网络提供训练数据，并为匹配评分组件使用的软规则提供基础。软规则对用户话语的每一个匹配与一个置信度得分，我们显示是强烈的答复质量的指示，允许这个组件进行自我审查，并有效地与其他组件集成。Edina的完整架构具有基于规则的系统，可退回到匹配分数，退回到生成式神经网络。因此，我们的混合数据驱动方法解决了严格基于规则的方法的覆盖范围限制和缺乏严格机器学习方法的保证。
2017-09-28 cs.AI cs.CL
Towards Dialogue-based Navigation with Multivariate Adaptation driven by Intention and Politeness for Social Robots
University of Hamburg（汉堡大学）；SoftBank Robotics Europe（软银机器人欧洲公司）
服务机器人需要表现出适当的社会行为，以便部署在医疗保健，教育，零售等社会环境中，机器人应该具有的一些主要功能是导航和会话技能。如果这个人不耐烦，他可能希望机器人导航得更快，反之亦然。表明礼貌的语言特征可以提供有关一个人的耐心和不耐烦行为的社会线索。本文提出的新颖之处是动态地将礼貌的机器人对话系统导航。理解用户言语中的礼貌可以用来调节机器人的行为和反应。因此，我们开发了一个对话系统，在室内环境中导航，产生不同的机器人的行为和反应的基础上用户的意图和礼貌程度。我们部署和测试我们的系统与胡椒机器人，适应用户的礼貌的变化。
2018-11-14 cs.AI cs.CL cs.RO
Neural Response Ranking for Social Conversation: A Data-Efficient Approach
Heriot-Watt University（赫瑞-瓦特大学）
“社交”对话系统的总体目标是支持关于各种各样的话题的引人入胜的、娱乐性的和冗长的对话，包括社交闲聊。除了原始的对话数据，用户提供的评级是最常见的信号，用于训练这样的系统，以产生引人入胜的反应。在本文中，我们表明，社会对话系统可以有效地从原始的未注释的数据进行训练。使用在2017年Alexa Prize挑战中收集的真实对话数据集，我们开发了一个神经排名器，用于选择对用户话语的“好”系统响应，即可能导致长时间和引人入胜的对话的响应。我们表明，（1）当训练以优化用户评级时，我们的神经排名器始终优于几个强基线;（2）当训练大量数据并仅使用对话长度作为目标时，排名器的表现优于使用评级训练的排名器-最终达到0.87的Precision@1。这一进步将使社交会话代理的数据汇集在未来变得更简单、更便宜。
2018-11-02 cs.CL
Follow Me: Conversation Planning for Target-driven Recommendation Dialogue Systems
The Hong Kong Polytechnic University（香港理工大学）
推荐对话系统旨在与用户建立社交联系并提供高质量的推荐。本文提出了一个很有前途的范例，称为目标驱动的推荐对话系统，这是高度期望的，但尚未开发。我们专注于如何通过对话自然地引导用户逐渐接受指定的目标。为此，我们提出了一个目标驱动的会话规划（TCP）框架，计划一系列的对话动作和主题，驱动系统之间的过渡不同的会话阶段积极主动。然后，我们应用我们的TCP与计划的内容，以指导对话生成。实验结果表明，我们的会话规划显着提高目标驱动的推荐对话系统的性能。
2022-08-06 cs.CL
Let's Negotiate! A Survey of Negotiation Dialogue Systems
Monash University（莫纳什大学）；California State University, Northridge（加州州立大学北岭分校）
协商是人类交流的重要能力之一，近年来，协商对话系统的研究又重新兴起，其目标是赋予智能主体以有效地帮助人类解决冲突或达成有利协议的能力。虽然对谈判对话系统进行了许多探索，但迄今为止，对这一任务的系统审查仍然明显缺乏。为此，我们的目标是填补这一空白，审查当代研究在新兴领域的谈判对话系统，包括基准，评估和方法。此外，我们还讨论了潜在的未来方向，包括多模式，多方和跨文化的谈判方案。我们的目标是为社会提供一个系统的概述谈判对话系统，并激发未来的研究。
2022-12-18 cs.CL
From Fact to Judgment: Investigating the Impact of Task Framing on LLM Conviction in Dialogue Systems
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
研究探讨了任务框架对LLM在对话系统中判断确信度的影响，发现对话上下文显著改变模型判断，强调了对话框架在评估中的重要性。
2026-01-09 cs.CL
Persuasion for Good: Towards a Personalized Persuasive Dialogue System for Social Good
Zhejiang University（浙江大学）；University of California, Davis（加州大学戴维斯分校）；University of Pennsylvania（宾夕法尼亚大学）
开发智能说服性对话代理来改变人们的意见和行为，以造福社会，是推进自动对话系统道德发展的前沿。要做到这一点，第一步是要理解人类说服对话中所采用的策略披露和呼吁的复杂组织。我们设计了一个在线说服任务，要求一名参与者说服另一名参与者向特定的慈善机构捐款。我们收集了一个包含1,017个对话的大型数据集，并从一个子集中注释了新兴的说服策略。在此基础上，我们构建了一个包含上下文信息和会话级别特征的基线分类器，用于预测语料库中使用的10种说服策略。此外，为了理解个性化的说服过程，我们分析了个人的人口统计学和心理背景，包括个性，道德，价值体系和他们的捐赠意愿之间的关系。然后，我们分析了哪些类型的说服策略导致更大的捐赠金额取决于个人的个人背景。这项工作奠定了基础，开发一个个性化的说服性对话系统。
2020-01-13 cs.AI cs.CL cs.CY
A Review of Dialogue Systems: From Trained Monkeys to Stochastic Parrots
IIT Kanpur（印度理工学院坎普尔分校）
在口语对话系统中，我们的目标是部署人工智能来构建可以与人类对话的自动对话代理。对话系统越来越多地被设计成不仅仅是模仿对话，而且随着时间的推移，还从这种交互中得到改进。在本调查中，我们提出了一个广泛的概述的方法，建立对话系统多年来。从基于任务的系统到开放域聊天机器人，对话系统的不同用例激发并需要特定的系统。从简单的基于规则的系统开始，研究已经朝着在大量数据集上训练的越来越复杂的架构发展，例如深度学习系统。出于类似人类对话的直觉，使用强化学习将情感融入自然语言生成器已经取得了进展。虽然我们看到一些指标的高度边际改进的趋势，我们发现，有限的理由存在的指标，和评估的做法是不统一的。最后，我们标记这些问题，并强调可能的研究方向。
2021-11-02 cs.AI cs.CL
Evaluating Task-oriented Dialogue Systems: A Systematic Review of Measures, Constructs and their Operationalisations
Tilburg University（蒂尔堡大学）
本文系统综述122项任务导向对话系统评估研究，梳理构念、指标与操作化问题，并结合大型语言模型提出未来研究议程和评估建议。
2024-04-08 cs.CL cs.HC
Data-Efficient Methods for Dialogue Systems
Heriot-Watt University（赫瑞瓦特大学）；School of Mathematical and Computer Sciences（数学与计算机科学学院）
会话式用户界面（CUI）在日常生活中无处不在，无论是Siri和Alexa等以消费者为中心的产品，还是面向企业的解决方案。深度学习是对话系统最近许多突破的基础，但需要非常大量的训练数据，通常由专家注释。这些方法使用较小的数据进行训练，最终严重缺乏鲁棒性（例如，对于不流畅和域外输入），并且通常具有太少的泛化能力。在这篇论文中，我们针对上述问题，介绍了一系列的方法来训练强大的对话系统从最小的数据。首先，我们从数据效率的角度研究了两种正交的对话方法：基于语言的和基于机器学习的。我们概述了使用这两种方法获得数据高效解决方案的步骤。然后，我们介绍了两个数据效率的对话响应生成模型：基于潜变量对话表示的对话知识转移网络，和混合生成检索Transformer模型（在DSTC 8快速领域自适应任务中排名第一）。接下来，我们解决了最小数据的鲁棒性问题。因此，提出了一个多任务的LSTM为基础的模型领域一般不流利检测。对于域外输入的问题，我们提出了Turn Dropout，一种仅使用域内数据进行异常检测的数据增强技术，并引入了自动编码器增强模型，用于Turn Dropout的有效训练。最后，我们将重点放在社交对话上，并介绍一种用于社交对话中的响应排名的神经模型，该模型用于Alana，该模型在2017年和2018年亚马逊Alexa奖中获得第三名。我们采用了一种新的技术，预测的对话长度作为主要的排名目标，并表明…
2020-12-05 cs.CL
Task-oriented Dialogue Systems: performance vs. quality-optima, a review
University of the West of England（西英格兰大学）；GE Aviation（通用电气航空）；Universidad Atlántida Argentina（阿根廷大西洋大学）
任务导向的对话系统（TODS）正在继续流行，因为各个行业都在寻找有效利用其能力的方法，从而节省时间和金钱。然而，即使是最先进的TODS也尚未充分发挥其潜力。TODS的主要设计重点通常是完成手头的任务，因此任务解决的度量应该优先考虑。可以忽略可能指向对话的成功或其他的其他会话质量属性。这可能导致人与对话系统之间的交互，这使得用户不满意或沮丧。本文探讨了文献的评价框架的对话系统和会话质量属性的作用，在对话系统，看看如果，如何，以及在哪里使用，并检查它们的相关性与性能的对话系统。
2021-12-21 cs.AI cs.CL
A Manually Annotated Chinese Corpus for Non-task-oriented Dialogue Systems
Tencent AI Lab（腾讯AI实验室）
本文提出了一个大规模的语料库，用于非面向任务的对话响应选择，其中包含超过27K的不同的提示超过82K的反应，从社会媒体收集。为了注释这个语料库，我们定义了一个5级评级方案：坏的，平庸的，可接受的，好的，优秀的，根据相关性，连贯性，信息性，有趣性，以及推动对话的潜力。为了测试所产生的语料库的有效性和实用性，我们比较了各种无监督和监督模型的响应选择。实验结果表明，该语料库有助于训练反应选择模型。
2018-05-15 cs.CL
Neural Emoji Recommendation in Dialogue Systems
Tsinghua University（清华大学）；Baidu Inc.（百度公司）
Jumeji是对话的重要组成部分，几乎在所有社交平台上都得到了广泛的应用。它可以表达出超越文本的细腻情感，从而使用户之间的交流更加顺畅，使对话系统更加拟人化和生动。在本文中，我们专注于自动推荐适当的表情符号给定的上下文信息在多轮对话系统，其中的挑战在于理解整个对话。更具体地说，我们提出了分层长短期记忆模型（H-LSTM）来构建对话表示，然后使用softmax分类器进行表情符号分类。我们在真实世界的数据集上对我们的模型进行了表情符号分类任务的评估，并对参数敏感性和案例研究进行了进一步的探索。实验结果表明，我们的方法在所有评估指标上都取得了最好的性能。实验结果表明，该方法能够很好地捕捉对话中的上下文信息和情感流，对表情符号推荐具有重要意义。
2016-12-14 cs.CL
Leveraging Explicit Reasoning for Inference Integration in Commonsense-Augmented Dialogue Models
Emory University（埃默里大学）
本研究提出在开放域对话中采用显式推理步骤生成、选择并集成常识，相比隐式推理显著提升回复的自然度、参与度、具体性和整体质量，达到新最优性能。
2025-01-21 cs.CL
Discourse Obligations in Dialogue Processing
我们表明，在建模的社会互动，特别是对话，义务的态度可以是一个有用的辅助普遍认为信仰，目标和意图的态度，他们的相互和共享的对应物。特别是，我们展示了如何话语义务可以用一种自然的方式来解释对话中的问题和答案之间的联系，以及如何将义务与话语背景的其他部分一起使用，以扩大对话系统的覆盖范围。
1994-07-14 cmp-lg cs.CL
A Unified Framework for Emotion Identification and Generation in Dialogues
Indian Institute of Technology Patna（印度理工学院巴特那分校）
社交聊天机器人已经获得了巨大的人气，它们的吸引力不仅在于它们能够响应用户的各种请求，还在于它们能够与用户建立情感联系。为了进一步开发和推广社交聊天机器人，我们需要专注于增加用户交互，并考虑会话代理的智商和情商。在本文中，我们提出了一个多任务框架，共同确定的情感的一个给定的对话，并根据所确定的情感产生响应。我们采用基于BERT的网络来创建移情系统，并使用混合目标函数来训练具有分类和发电损失的端到端网络。实验结果表明，我们提出的框架优于当前国家的最先进的模型
2022-05-31 cs.AI cs.CL
SalesBot: Transitioning from Chit-Chat to Task-Oriented Dialogues
National Taiwan University（国立台湾大学）；MediaTek Research（联发科研究院）
对话系统通常分为两种类型，开放域和面向任务的。第一个重点是与用户聊天，让他们参与对话，其中选择一个合适的话题，以适应对话的背景是一个成功的对话至关重要。另一个专注于特定的任务，而不是随意的谈话，例如，周五晚上看电影或者放首歌这两个方向由于目的不同而被分开研究。然而，如何从社交聊天顺利过渡到任务导向的对话对于触发商业机会很重要，目前还没有公开数据关注此类场景。因此，本文的重点是调查从开放域社交聊天开始，然后逐渐过渡到面向任务的目的，并发布了一个大规模的数据集，详细的注释，以鼓励这一研究方向。为了实现这一目标，本文提出了一个框架，自动生成许多对话，没有人的参与，任何强大的开放域对话生成模型可以很容易地利用。人工评估表明，我们生成的对话数据具有合理质量的自然流动，表明我们发布的数据具有指导未来研究方向和商业活动的巨大潜力。此外，发布的模型允许研究人员在目标场景中自动生成无限对话，这可以大大有利于半监督和无监督方法。
2022-04-22 cs.AI cs.CL
Leveraging Implicit Feedback from Deployment Data in Dialogue
FAIR at Meta（Meta FAIR研究院）；New York University（纽约大学）
本研究利用对话部署数据中用户回复长度、情感等隐式反馈信号改进社交对话智能体，实验基于BlenderBot公开数据，人工评估显示模型有提升，但不同代理信号存在利弊差异。
2024-02-01 cs.CL
Talking with Machines: A Comprehensive Survey of Emergent Dialogue Systems
University of California, Berkeley（加州大学伯克利分校）
本文全面综述对话系统的历史发展、核心方法、训练数据集及评估指标，涵盖传统系统与基于Transformer的先进方法，并展望未来挑战与前景。
2023-05-10 cs.CL
"Do you follow me?": A Survey of Recent Approaches in Dialogue State Tracking
Orange Innovation（奥兰治创新）；Aix-Marseille Université（艾克斯-马赛大学）；CNRS（法国国家科学研究中心）
面向任务的对话系统在与用户进行会话时，必须根据会话历史记录跟踪用户在每一轮的需求。这个过程被称为对话状态跟踪（DST）是至关重要的，因为它直接通知下游对话策略。DST近年来受到了很多关注，文本到文本范例成为最受欢迎的方法。在这篇综述论文中，我们首先介绍了任务及其相关数据集。然后，考虑到大量最近的出版物，我们确定了2021-2022年的研究重点和进展。虽然神经方法已经取得了重大进展，我们认为，对话系统的一些关键方面，如泛化仍然是未充分探索。为了激励未来的研究，我们提出了几个研究途径。
2022-07-29 cs.CL
Multi-User MultiWOZ: Task-Oriented Dialogues among Multiple Users
Seoul National University（首尔大学）；Amazon（亚马逊）
本文提出 Multi-User MultiWOZ 数据集和查询改写任务，将多用户聊天改写为单用户式查询，在不改动现有对话系统的前提下显著提升对话状态跟踪性能。
2023-10-31 cs.CL
D4: a Chinese Dialogue Dataset for Depression-Diagnosis-Oriented Chat
Shanghai Jiao Tong University（上海交通大学）；Shanghai Mental Health Center（上海市精神卫生中心）；Shanghai Jiao Tong University School of Medicine（上海交通大学医学院）
在抑郁症诊断指导的临床会话中，医生在充分的情感支持下发起对话，引导患者根据临床诊断标准暴露他们的症状。这种对话系统与现有的单一用途的人机对话系统不同，因为它结合了面向任务和闲聊，具有对话主题和过程的独特性。但由于与精神疾病相关的社会污名，与抑郁症咨询和诊断相关的对话数据很少公开。基于ICD-11和DSM-5抑郁症临床诊断标准，设计了一个3阶段的程序，构建了一个抑郁症诊断聊天中文对话数据集D $^4$，该数据集模拟了抑郁症诊断过程中医患之间的对话，包括专业精神科医生对每次对话的诊断结果和症状总结。在新构建的数据集上，建立了反映抑郁症诊断过程的四个任务：反应生成，主题预测，对话摘要，抑郁发作和自杀风险的严重程度分类。多尺度评估结果表明，与基于规则的机器人相比，可以实现在我们的数据集上训练的更具同理心驱动和诊断准确性的对话系统。
2022-10-24 cs.CL
Adding Chit-Chat to Enhance Task-Oriented Dialogues
Cornell University（康奈尔大学）；Facebook（脸书公司）；Facebook AI Research（脸书人工智能研究院）
现有的对话语料库和模型通常是在两个不相交的动机下设计的：而面向任务的系统专注于实现功能目标（例如，预订酒店），开放域聊天机器人旨在进行社交参与对话。在这项工作中，我们建议通过将Chit-Chat添加到ENhance Task-Oriented对话（ACCENTOR）来集成这两种类型的系统，目标是使虚拟助理对话更具吸引力和互动性。具体来说，我们提出了一种人类<->AI协作数据汇集方法，用于生成多样化的聊天响应，以最小的注释工作来增强面向任务的对话。然后，我们将我们新的基于聊天的注释呈现给来自两个流行的面向任务的数据集（Schema-Guided Dialogue和MultiWOZ 2.1）的23.8K对话，并通过人工评估展示了它们相对于原始对话的优势。最后，我们提出了三种新的模型，用于将闲聊添加到面向任务的对话中，明确训练以预测用户目标并生成上下文相关的闲聊响应。自动和人工评估表明，与最先进的面向任务的基线相比，我们的模型可以在任务和聊天之间进行代码切换，以更吸引人，有趣，知识渊博和人性化，同时保持有竞争力的任务性能。
2021-05-01 cs.CL
Generating Emotionally Aligned Responses in Dialogues using Affect Control Theory
Vector Institute for AI（Vector人工智能研究所）
最先进的神经对话系统擅长于语言的句法和语义建模，但在对话期间通常很难与人类互动者建立情感一致。在这项工作中，我们把情感控制理论（ACT），一个社会数学模型的情感，人与人之间的互动，神经对话生成设置。ACT预测人类在社交场合对情绪刺激的反应。由于这一特性，ACT及其衍生的概率模型已经成功地部署在人机交互的几个应用中，包括移情辅导系统，辅助医疗设备和两人社交困境游戏。我们研究如何ACT可以被用来开发影响意识的神经会话代理，产生情绪一致的反应提示，并考虑到互动的情感身份。
2020-04-16 cs.AI cs.CL cs.HC
Modeling Performance in Open-Domain Dialogue with PARADISE
University of California, Santa Cruz（加州大学圣克鲁兹分校）
最近，关于口语对话系统的工作出现了爆炸式的增长，同时人们对开放域系统的兴趣也在增加，这些系统可以就电影、书籍和音乐等流行话题进行随意的对话。这些系统旨在社交参与，娱乐，甚至同情他们的用户。由于这些社会目标的实现很难衡量，最近的研究使用对话长度或人类评级作为评估指标，并开发了自动计算新指标的方法，如连贯性，一致性，相关性和参与度。在这里，我们开发了一个Paradise模型来预测Athena的性能，Athena是一个对话系统，它参与了与真实用户的数千次对话，同时作为Alexa Prize的决赛选手参加了比赛。我们使用用户评分和对话长度作为对话质量的指标，并尝试使用系统相关和独立的自动功能来预测这些指标。我们的目标是学习一个通用的目标函数，该函数可用于实时的优化任何Alexa Prize系统的对话选择，并评估其性能。我们用于预测用户评级的最佳模型与DistilBert模型的R $^2$为0.136，而用于预测长度与系统无关特征的最佳模型的R $^2$为0.865，这表明会话长度可能是对话系统自动训练的更可靠的度量。
2021-10-21 cs.AI cs.CL
Revealing Persona Biases in Dialogue Systems
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；Computer Science Department, Columbia University（哥伦比亚大学计算机科学系）；Computer Science Department, University of California, Los Angeles（加州大学洛杉矶分校计算机科学系）；Computer Science Department, University of California, Davis（加州大学戴维斯分校计算机科学系）
聊天机器人和个人助理形式的对话系统正越来越多地融入人们的生活。现代对话系统可以考虑采用拟人化的人物角色，模仿社会人口统计群体，以使用户更容易接近和信任。然而，人物角色的采用可能导致偏见的采用。在本文中，我们提出了第一个大规模的研究人物角色偏见的对话系统和不同的社会阶层，性取向，种族和性别的人物角色进行分析。我们将人物角色偏见定义为反应中的有害差异（例如，不同程度的攻击性，同意有害的言论）产生的采用不同的人口角色。此外，我们引入了一个开源的框架，UnitPersonaBias，探讨和聚合人物角色偏见的对话系统。通过分析Blender和DialoGPT对话系统，我们观察到，与不使用任何人物角色相比，采用人物角色实际上可以减少有害的反应。此外，我们发现，人物角色的选择会影响所产生的反应的危害程度，因此应该在部署前进行系统的评估。我们还分析了人物角色如何对特定的人口统计数据造成不同程度的伤害。
2021-12-15 cs.CL
Speaker and Time-aware Joint Contextual Learning for Dialogue-act Classification in Counselling Conversations
BITS Pilani（比尔拉理工学院）；Maharaja Agrasen Institute of Technology（马哈拉贾·阿格拉森理工学院）；IIIT-Delhi（德里印度信息技术学院）
COVID-19疫情的爆发使人们的心理健康面临风险。在这种环境下，社会咨询具有非常重要的意义。与一般的目标导向型对话不同，患者和治疗师之间的对话是相当含蓄的，尽管对话的目标是非常明显的。在这种情况下，理解患者的意图对于在治疗过程中提供有效的咨询是必不可少的，这同样适用于对话系统。在这项工作中，我们在开发用于心理健康咨询的自动对话系统方面迈出了一小步，但这是重要的一步。我们开发了一个新的数据集，命名为希望，提供一个平台的对话行为分类在咨询会话。我们确定这样的对话的要求，并提出了12个特定领域的对话行为（DAC）标签。我们从YouTube上公开的咨询会议视频中收集了12.9K的话语，提取它们的成绩单，清理并用DAC标签注释它们。此外，我们提出了SPARTA，一个基于变压器的架构与一个新的扬声器和时间感知上下文学习的对话行为分类。我们的评估显示了令人信服的性能在几个基线，实现国家的最先进的希望。我们还补充我们的实验与广泛的实证和定性分析斯巴达。
2021-11-12 cs.CL
User Evaluation of a Multi-dimensional Statistical Dialogue System
Heriot-Watt University（赫瑞-瓦特大学）；Charles University（查理大学）
我们提出了第一个完整的口语对话系统驱动的多维统计对话管理器。该框架已被证明可以通过利用与域无关的维度（如社会义务或反馈）来大幅减少数据需求，这些维度（如我们所示）可以在域之间转移。在本文中，我们进行了一项用户研究，表明可以从源域适应的多维系统的性能相当于只能从头开始训练的一维基线的性能。
2019-09-06 cs.AI cs.CL
Let's Get Personal: Personal Questions Improve SocialBot Performance in the Alexa Prize
University of California, Santa Cruz（加州大学圣克鲁兹分校）
人们越来越关注在口语对话社区中创建会话开放域对话系统。与传统的对话系统不同，这些对话系统不能假设任何特定的信息需求或域限制，即，唯一的固有目标是与用户就未知的主题集合进行交谈。虽然自然语言理解（NLU）的大规模改进和可用知识资源的增长可以部分支持强大的对话，但这些对话通常缺乏两个相互认识的人之间的融洽关系。我们开发了一个强大的开放域会话系统Athena，真正的Amazon Echo用户可以在Alexa Prize竞赛的背景下大规模访问和评估。我们实验的方法，旨在增加雅典娜和用户之间的亲密关系，通过开发一个基于规则的用户模型，个性化的当前和随后的对话和评估具体的个人意见问题的策略，在A/B研究。我们的研究结果表明，采用这些策略时，感知的对话质量和长度的统计显着的积极影响。
2023-03-09 cs.CL cs.HC
EVA: An Open-Domain Chinese Dialogue System with Large-Scale Generative Pre-Training
Tsinghua University（清华大学）；BAAI（北京智源人工智能研究院）
虽然预先训练的语言模型显著提高了对话系统的生成能力，但与英语对话系统相比，开放域汉语对话系统仍然受到对话数据和模型大小的限制。在本文中，我们提出了EVA，一个中文对话系统，其中包含最大的中文预训练对话模型与2.8 B参数。为了建立这个模型，我们从各种公共社交媒体上收集了最大的中文对话数据集WDC-Dialogue。该数据集包含1.4B上下文响应对，并用作EVA的预训练语料库。大量的自动和人工评估实验表明，EVA优于其他中文预训练的对话模型，特别是在多轮交互的人-机器人对话。
2021-08-03 cs.AI cs.CL
Emora: An Inquisitive Social Chatbot Who Cares For You
Emory University（埃默里大学）
受人与人之间对话中经验分享的研究启发，埃默里大学开发的社交聊天机器人Emora旨在将这种以经验为中心的交互带入当前的对话人工智能领域。信息共享主题处理程序的传统方法与Emora提供的以观点为导向的交流相平衡，并开发了新的对话能力，支持由合作理解和学习伙伴生活经验的过程组成的对话。我们提出了一个策划的对话系统，利用高度表达的自然语言模板，强大的意图分类，和本体资源，提供一个引人入胜的和有趣的对话体验，每个用户。
2020-09-10 cs.AI cs.CL
VOnDA: A Framework for Ontology-Based Dialogue Management
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
我们提出了VOnDA，一个框架来实现对话系统中的对话管理功能。尽管VOnDA是独立于域的，但它是针对对话系统定制的，重点是社交通信，这意味着需要长期记忆和高用户适应性。对于这些用于健康环境或老年人护理的系统，误差幅度非常低，并且对对话过程的控制是最重要的。这同样适用于商业应用程序，其中客户的信任处于风险之中。VOnDA的规范和存储层依赖于（扩展的）RDF/OWL，其提供了通用和统一的表示，并促进了与外部数据源的互操作性，例如，物理传感器。
2019-10-01 cs.CL cs.HC
Stephanie2: Thinking, Waiting, and Making Decisions Like Humans in Step-by-Step AI Social Chat
Yiwu Research Institute of Fudan University（复旦大学义乌研究院）；FaceMind Corporation（FaceMind公司）；Fudan University（复旦大学）；Duke Kunshan University（昆山杜克大学）；The Chinese University of Hong Kong（香港中文大学）；Tongji University（同济大学）
Stephanie2通过主动等待和信息节奏适应，实现了更自然的步骤式AI社交聊天，实验显示其在自然度和参与度等指标上优于前代系统。
2026-01-09 cs.AI cs.CL
An Analysis of User Behaviors for Objectively Evaluating Spoken Dialogue Systems
Kyoto University（京都大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出基于用户行为客观评估口语对话系统的框架，分析专注倾听、求职面试和初次见面交谈中的行为指标与主观评分关系，揭示不同任务应采用不同行为指标。
2024-01-23 cs.AI cs.CL cs.HC
Extracting and Inferring Personal Attributes from Dialogue
University of Washington（华盛顿大学）；Nvidia（英伟达）
个人属性表示关于一个人的结构化信息，例如他们的爱好、宠物、家庭、喜欢和不喜欢。我们介绍了从人与人的对话中提取和推断个人属性的任务，并分析了这些任务的语言需求。为了应对这些挑战，我们引入了一个简单的和可扩展的模型，结合了自回归语言模型，利用约束属性生成的歧视reranker。我们的模型在提取个人属性以及推断不包含在话语中逐字的个人属性方面优于强基线，而是需要常识推理和词汇推断，这在日常对话中经常发生。最后，我们证明了将个人属性在社会闲聊和面向任务的对话设置的好处。
2022-04-19 cs.CL cs.IR
ValueNet: A New Dataset for Human Value Driven Dialogue System
UCLA Center for Vision, Cognition, Learning, and Autonomy（加州大学洛杉矶分校视觉、认知、学习与自主中心）；Microsoft Research（微软研究院）
构建一个具有社会智能的代理涉及许多挑战，其中之一是教代理像人类一样在其价值的指导下说话。然而，价值驱动的聊天机器人在对话系统领域仍然研究不足。大多数现有的数据集集中在常识推理或社会规范建模。在这项工作中，我们提出了一个新的大规模人类价值数据集，称为ValueNet，其中包含21，374个文本场景的人类态度。该数据集被组织在十个维度，符合跨文化研究中的基本人类价值理论。我们进一步在ValueNet上开发了一个基于Transformer的价值回归模型来学习效用分布。综合的实证结果表明，学习价值模型可以受益于广泛的对话任务。例如，通过使用强化学习和价值模型的奖励来教授生成代理，我们的方法在个性化对话生成数据集Persona-Chat上获得了最先进的性能。通过将值作为附加特征，现有的情感识别模型能够在上下文中捕获丰富的人类情感，这进一步提高了EmpatheticDialogues数据集中的移情响应生成性能。据我们所知，ValueNet是第一个用于人类价值建模的大规模文本数据集，我们是第一个尝试将价值模型纳入情感智能对话系统的人。该数据集可在https://liang-qiu.github.io/ValueNet/上获得。
2021-12-12 cs.AI cs.CL
A Survey on Recent Advances in LLM-Based Multi-turn Dialogue Systems
Sun Yat-Sen University（中山大学）
本文综述了基于大型语言模型的多轮对话系统，总结了LLMs及适配方法，阐述了开放域与任务型对话系统的最新进展、数据集与评估指标，并探讨了未来研究方向。
2025-08-15 cs.AI cs.CL
SocialNLI: A Dialogue-Centric Social Inference Dataset
Johns Hopkins University（约翰霍普金斯大学）
本文提出SocialNLI，首个以对话为中心的社会推理数据集，用于评估和提升大型语言及推理模型在理解讽刺、反语等复杂社会现象方面的心理理论能力，并通过多步反事实推理进行评测。
2025-10-06 cs.CL
Recent Advances in Deep Learning Based Dialogue Systems: A Systematic Survey
Nanyang Technological University（南洋理工大学）
对话系统是自然语言处理（NLP）领域中的一个重要研究课题。这也是一个复杂的任务，因为许多值得研究的NLP任务。因此，在这方面开展了大量新颖的工作，其中大多数是基于深度学习的，因为它们表现出色。在本调查中，我们主要关注基于深度学习的对话系统。本文综述了对话系统的最新研究成果，并从模型类型和系统类型两个角度进行了分析。从模型类型的角度，讨论了对话系统中广泛使用的各种模型的原理、特点和应用。这将有助于研究人员熟悉这些模型，并了解它们如何应用于最先进的框架，这在设计新的对话系统时非常有用。从系统类型的角度，我们讨论了面向任务和开放领域的对话系统作为两个研究方向，提供了相关热点问题的见解。此外，我们全面回顾了对话系统的评估方法和数据集，为未来的研究铺平了道路。最后，根据最新的研究成果，提出了一些可能的研究趋势。据我们所知，这项调查是目前基于深度学习的对话系统最全面和最新的调查，广泛涵盖了流行的技术。我们推测，这项工作是一个很好的起点，学者谁是新的对话系统或那些谁想要快速掌握最新的技术在这一领域。
2022-03-30 cs.AI cs.CL cs.IR
Developing Autonomous Robot-Mediated Behavior Coaching Sessions with Haru
University of Southern Denmark（南丹麦大学）；Honda Research Institute Japan（日本本田研究所）
本研究开发了基于桌面社交机器人Haru的完全自主对话系统，结合Tiny Habits方法促进行为改变，实验表明该系统显著提升了机器人的生动性、交互性和中立性感知。
2024-02-18 cs.AI cs.CL cs.RO
Development and Validation of Engagement and Rapport Scales for Evaluating User Experience in Multimodal Dialogue Systems
Waseda University, Tokyo, Japan（大阪大学）
本研究开发并验证了参与度和融洽度量表，用于评估外语学习场景下多模态对话系统的用户体验，实验表明量表能有效区分人机对话体验差异。
2025-05-20 cs.AI cs.CL
TODSum: Task-Oriented Dialogue Summarization with State Tracking
Beijing University of Posts and Telecommunications（北京邮电大学）；Meituan（美团）；China Mobile Communication Corporation（中国移动通信集团公司）
以往的会话摘要数据集主要集中在开放领域的聊天会话，而广泛使用的面向任务的会话摘要数据集还没有被探索。自动总结这种面向任务的对话可以帮助企业收集和审查需求以改进服务。此外，以往的数据集更注重生成具有较高ROUGE分数的好摘要，但它们几乎不理解对话的结构化信息，忽略了摘要的真实性。在本文中，我们介绍了一个大规模的公共面向任务的对话摘要数据集，TODSum，它旨在总结智能体完成某些任务与用户的关键点。与现有的工作相比，TODSum遭受严重的分散信息问题，并要求严格的事实一致性，这使得它很难直接应用最近的对话摘要模型。因此，我们引入额外的对话状态知识TODSum，以提高所生成的摘要的忠实性。我们希望更好地理解会话内容有助于摘要模型生成简洁和连贯的摘要。同时，我们建立了一个全面的基准TODSum，并提出了一个状态感知的结构化对话摘要模型，集成对话状态信息和对话历史。详尽的实验和定性分析证明了对话结构指导的有效性。最后，我们讨论了当前的问题TODSum和未来工作的潜在发展方向。
2021-10-25 cs.AI cs.CL
Sympathy Begins with a Smile, Intelligence Begins with a Word: Use of Multimodal Features in Spoken Human-Robot Interaction
Heriot-Watt University（赫瑞-瓦特大学）
从人类面部表情或语音韵律中识别社会信号是人机交互研究中的一个热门研究课题。在口语对话社区中也有一长串的研究，调查与对话特征相关的用户满意度。然而，很少有研究涉及多模态的社会信号和语言功能的组合，在口语面对面的人机交互过程中检测到的用户感知的机器人。在本文中，我们展示了人类用户的不同情感的面部表情，结合人类语音的韵律特征和人机对话的特征，与用户的机器人的印象后，对话。我们发现，在用户的识别面部表情的幸福感强烈相关的机器人的可爱性，而对话相关的功能（如人类的回合数或每机器人话语的句子数）与感知机器人智能。此外，我们表明，面部表情，情感特征和韵律是更好的预测人类评级相关的感知机器人的可爱性和拟人化，而语言和非语言功能更经常预测感知机器人的智能和可解释性。因此，这些特征将来可以用作基于原位强化学习的自适应人机对话系统的在线奖励信号。
2017-06-08 cs.CL cs.HC cs.RO
Athena 2.0: Contextualized Dialogue Management for an Alexa Prize SocialBot
University of California Santa Cruz（加州大学圣克鲁兹分校）
Athena 2.0是一款Alexa Prize SocialBot，在过去两届Alexa Prize Grand Challenges中入围决赛。Athena成功的一个原因是其新颖的对话管理策略，该策略允许它动态地从组件模块构建对话和响应，从而在每次交互中都产生新颖的对话。在这里，我们描述雅典娜的系统设计和性能在Alexa奖在20/21比赛。Athena的现场演示以及视频记录将引发对对话式AI最新技术的讨论。
2021-11-03 cs.CL
