Pseudo-Siamese Network for Planning in Target-Oriented Proactive Dialogues
School of Computer Science and Technology(计算机科学与技术学院)
本文提出了一种面向目标的主动对话规划方法,通过FF-BPSN网络实现对话路径规划,提升目标导向型主动对话系统的有效性。
2026-04-04 cs.AI cs.CL cs.LG
Knowledge-graph based Proactive Dialogue Generation with Improved Meta-Learning
Xi'an Jiaotong University(西安交通大学)
基于知识图谱的对话系统可以缩小知识候选,以用于使用先验信息来生成信息丰富的和多样的响应,例如,三重属性或图形路径。然而,大多数现有的知识图谱(KG)覆盖了不完整的特定领域知识。为了克服这一缺点,我们提出了一个基于知识图谱的主动对话生成模型(KgDg)的三个组成部分,改进的模型不可知的Meta学习算法(MAML),知识三元组嵌入的知识选择,知识感知的主动响应生成器。对于知识三元组的嵌入和选择,我们将其表述为一个句子嵌入的问题,以更好地捕捉语义信息。我们改进的MAML算法能够从有限数量的知识图谱中学习一般特征,这也可以快速适应具有未知知识三元组的对话生成。在知识感知对话数据集(DuConv)上进行了大量的实验。结果表明,KgDg适应快速和良好的知识图谱为基础的对话生成,并优于国家的最先进的基线。
2020-04-19 cs.CL
From Answers to Guidance: A Proactive Dialogue System for Legal Documents
Data Science Group, Institute of Computer Science, \ University, Germany
针对普通民众难以获取和理解欧盟法律信息的问题,本文构建了主动式多轮法律对话数据集EUDial,并提出结合检索增强生成与分层主题组织的LexGuide框架,有效提升公民对法律信息的理解,为主动法律对话系统发展提供实用资源。
2025-10-22 cs.CL
Interpersonal Memory Matters: A New Task for Proactive Dialogue Utilizing Conversational History
School of Software & Microelectronics, Peking University(北京大学软件与微电子学院);Platform and Content Group, Tencent(腾讯平台与内容事业群)
本文提出记忆感知主动对话任务MapDia,构建首个中文数据集ChMapData,并设计基于RAG的三模块联合框架,以在恰当时机引导对话转向相关历史主题。
2025-03-07 cs.CL
PRINCIPLES: Synthetic Strategy Memory for Proactive Dialogue Agents
Department of Artificial Intelligence, Yonsei University(燕山大学人工智能学院)
本文提出PRINCIPLES,一种基于离线自play模拟的合成策略记忆,用于提升前瞻性对话代理的策略规划能力,无需额外训练和数据标注,在情感支持和说服领域均表现出色。
2025-09-22 cs.CL
Prompting and Evaluating Large Language Models for Proactive Dialogues: Clarification, Target-guided, and Non-collaboration
National University of Singapore(新加坡国立大学);Singapore Management University(新加坡管理大学);The Chinese University of Hong Kong(香港中文大学);Sichuan University(四川大学)
本研究针对基于大型语言模型的对话系统在主动对话中的不足,提出主动思维链提示方案以增强其目标规划能力,并围绕澄清、目标引导与非协作三方面进行了全面分析与实证评估。
2023-10-14 cs.CL
Enhancing Target-Guided Proactive Dialogue Systems via Conversational Scenario Modeling and Intent-Keyword Bridging
School of Computer Science and Technology, Soochow University, China(苏州大学计算机科学与技术学院);Jiangsu Key Lab of Language Computing, Suzhou(江苏省语言计算重点实验室);School of Computer and Information Engineering, Henan Normal University, China(河南师范大学计算机与信息工程学院)
本文通过对话场景建模和意图-关键词桥接方法,提升目标导向主动对话系统的主动性、流畅性和信息量,缩小与真实交互的差距。
2026-05-12 cs.CL
A Proactive Multi-Agent Dialogue Framework for Assessing Social Language Disorder Traits in Autism
Department of Computer Science(计算机科学系);University at Albany(阿尔巴尼大学);Department of Management Information System(管理信息系统系);West Virginia University(西弗吉尼亚大学);Department of Radiology(放射学系);Washington University in St. Louis(圣路易斯华盛顿大学);Humanities and Social Sciences(人文学与社会科学)
提出TPA(思考、计划、询问)主动式多智能体对话框架,通过临床策略驱动的提问选择,在ADOS-2评估中实现82.1%的社交语言障碍特征覆盖率,比临床医生自动回放高16.6%。
2026-05-21 cs.AI cs.CL
Dialogue Planning via Brownian Bridge Stochastic Process for Goal-directed Proactive Dialogue
The Hong Kong Polytechnic University(香港理工大学)
提出基于布朗桥随机过程的对话规划方法,建模对话路径动态,利用预训练语言模型生成路径作为提示,提升目标导向对话的连贯性和成功率。
2023-05-09 cs.CL cs.LG
Beyond Task-Oriented and Chitchat Dialogues: Proactive and Transition-Aware Conversational Agents
Hanyang University(汉阳大学);Hyundai Motor Company(现代汽车公司)
针对任务型对话与闲聊融合不足的问题,本研究提出支持双向模式切换的TACT数据集及两个新评估指标,结合DPO训练的模型在相关任务上表现优异,推动了具备主动性与转换感知能力的对话智能体研发。
2025-11-11 cs.AI cs.CL
A Proactive EMR Assistant for Doctor-Patient Dialogue: Streaming ASR, Belief Stabilization, and Preliminary Controlled Evaluation
The Hong Kong Polytechnic University(香港理工大学)
本文提出一种主动电子病历助手,通过流式语音识别、标点恢复、状态提取、信念稳定化、对象化检索、行动规划和可回放报告生成,提升医生-患者对话中的病历记录效率与前瞻性支持。
2026-03-18 cs.AI cs.CL
Simulation-Free Hierarchical Latent Policy Planning for Proactive Dialogues
SMU(南方卫理公会大学)
本文提出LDPP框架,通过变分自编码器从真实对话记录中自动挖掘细粒度潜在策略,并利用离线分层强化学习算法学习策略规划,在主动对话场景中超越现有方法甚至ChatGPT。
2024-12-19 cs.CL
A Two-Stage Proactive Dialogue Generator for Efficient Clinical Information Collection Using Large Language Model
Stevens Institute of Technology(史蒂文斯理工学院);Nokia Bell Labs(诺基亚贝尔实验室)
针对医患信息采集效率低的问题,提出融合两阶段推荐结构、排序标准与交互式患者智能体的大语言模型驱动诊断对话系统,可多轮采集诊断信息,在真实数据集上表现出良好的流畅性、专业性与安全性。
2024-10-02 cs.AI cs.CL
Affective Multimodal Agents with Proactive Knowledge Grounding for Emotionally Aligned Marketing Dialogue
Hunan Police Academy, Department of Criminal Investigation(湖南警察学院犯罪侦查系);Business College, California State University(加州州立大学长滩分校商学院);Northwestern University(西北大学);AI Agent Lab, Vokram Group(Vokram集团AI代理实验室);Beijing University of Technology(北京理工大学);Zheng Zhou University of Light Industry(郑州轻工业大学)
AffectMind通过主动知识 grounding 和情绪-意图对齐模型,提升营销对话中的情感一致性与说服效果。
2025-12-20 cs.AI cs.CL cs.LG
Enhancing Goal-oriented Proactive Dialogue Systems via Consistency Reflection and Correction
Soochow University(苏州大学)
针对目标导向主动对话系统中响应与上下文不一致的问题,提出两阶段一致性反思与修正框架,通过反思识别不一致并修正,在多种模型和三个数据集上显著提升一致性。
2025-06-18 cs.CL
Proactive Retrieval-based Chatbots based on Relevant Knowledge and Goals
Université de Montréal(蒙特利尔大学);Renmin University of China(中国人民大学);Huawei Poisson Lab.(华为泊松实验室)
主动对话系统具有主动引导对话的能力。与一般的聊天机器人只对用户做出反应不同,主动对话系统可以用于实现一些目标,例如,向用户推荐一些项目。背景知识对于对话的顺利和自然过渡至关重要。在本文中,我们提出了一个新的多任务学习框架检索为基础的知识为基础的主动对话。为了确定要使用的相关知识,我们将知识预测作为一项补充任务,并使用明确的信号来监督其学习。根据预测的知识、要实现的目标和上下文选择最终的响应。实验结果表明,知识预测和目标选择的显式建模可以大大提高最终的响应选择。我们的代码可在https://github.com/DaoD/KPN/上获得。
2021-07-18 cs.CL
Plug-and-Play Policy Planner for Large Language Model Powered Dialogue Agents
National University of Singapore(新加坡国立大学);The Chinese University of Hong Kong(香港中文大学)
针对大语言模型对话策略规划能力受限、难迁移的问题,提出即插即用策略规划器PPDPP,通过监督微调与目标导向强化学习训练,在三类主动对话任务上显著优于现有方法。
2024-03-11 cs.AI cs.CL
Stop Training Against Soft Users: Mentalized Adversarial Self-Play for Proactive Dialogue
School of Artificial Intelligence, Beihang University(北京航空航天大学人工智能学院);Dongchezu Technology Co., Ltd.(懂车之族科技有限公司)
本研究提出MASP框架,将主动对话视为系统与理性抵抗用户的部分可观测博弈,分离心智化并交替更新策略,在多基准上较SFT等方法提升成功率等指标,增强对硬用户的稳健性。
2026-10-16 cs.CL
Proactive Assistant Dialogue Generation from Streaming Egocentric Videos
Meta;University of Michigan(密歇根大学)
本文针对流式第一人称视频下的实时主动任务引导难题,提出包含大规模合成对话数据集、经人类研究验证的自动评估指标及端到端生成模型在内的综合框架,为构建实时主动式AI助手奠定基础。
2025-06-06 cs.AI cs.CL cs.CV
Proactive Dialogue Model with Intent Prediction
Department of Computer Science(计算机科学系)
本文提出一种轻量级意图过渡先验,通过时间贝叶斯网络提升对话主动性,实验表明能提高意图覆盖效率并减少交互次数。
2026-04-30 cs.CL cs.LG
PsyProbe: Proactive and Interpretable Dialogue through User State Modeling for Exploratory Counseling
Department of Industrial Engineering, Seoul National University(工业工程系,首尔国立大学);Department of Education, Seoul National University(教育系,首尔国立大学)
PsyProbe通过系统性用户状态建模和主动提问提升探索性辅导的互动效果和专业性。
2026-01-27 cs.CL
LLM-Driven Preference Data Synthesis for Proactive Prediction of the Next User Utterance in Human-Machine Dialogue
School of Computer & Communication Engineering, University of Science and Technology Beijing(计算机与通信工程学院,北京科技大学);Department of Computer Science, Blekinge institute of Technology(计算机科学系,布莱金厄理工大学);School of Computer Science, University of South China(计算机科学学院,南方大学);School of Computer Science and Technology, Dalian University of Technology(计算机科学与技术学院,大连理工大学);School of Computing, Ulster University(计算机科学学院,乌斯特大学)
ProUtt通过意图树建模和偏好数据合成,提升人机对话中下一次用户发言的预测精度。
2025-12-24 cs.CL
Proactive Human-Machine Conversation with Explicit Conversation Goals
Baidu Inc.(百度公司)
虽然人机对话已经取得了很大的进展,但目前的对话系统仍处于起步阶段:它通常是被动地对话,更多地是作为回应而不是主动地说出话语。在本文中,我们朝着构建类人会话代理迈出了激进的一步:赋予它主动领导会话的能力(引入新主题或维护当前主题)。为了促进这种对话系统的开发,我们创建了一个名为DuConv的新数据集,其中一个充当对话领导者,另一个充当追随者。领导者被提供了一个知识图谱,并被要求按照给定的谈话目标顺序改变讨论主题,同时保持对话尽可能自然和吸引人。DuConv实现了一个非常具有挑战性的任务,因为模型需要理解对话并在给定的知识图谱上进行规划。我们使用几种最先进的模型在这个数据集上建立了基线结果(大约270K话语和30K对话)。实验结果表明,规划在知识图谱上的对话模型可以充分利用相关知识生成更多样化的多轮对话。基线系统和数据集都是公开的
2019-11-07 cs.CL
Beyond Information Seeking: Severity-Aware Question Supervision for Proactive Medical Dialogue
Peking University(北京大学);Northeastern University(东北大学);School of Basic Medical Sciences, Peking University(北京大学基础医学院)
本研究针对主动医疗对话提出ESR严重度感知问题监督目标,在DDxPlus数据集上提升了高严重度诊断准确率、降低了漏诊率,推动主动医疗对话向感知后果的证据获取方向发展。
2026-09-24 cs.CL
Knowing What You Know: Calibrating Dialogue Belief State Distributions via Ensembles
Heinrich Heine University Düsseldorf(海因里希·海涅大学)
准确跟踪对话过程中发生的事情的能力对于对话系统的性能至关重要。当前最先进的多域对话状态跟踪器在当前的go-to基准上实现了超过55%的准确性,这意味着几乎在每一个第二对话回合中,它们都对不正确的对话状态充满信心。另一方面,信念追踪器在可能的对话状态上保持分布。然而,与对话状态跟踪器相比,它们缺乏性能,并且不产生良好校准的分布。在这项工作中,我们提出了国家的最先进的性能校准多域对话信念跟踪器使用校准的合奏模型。我们由此产生的对话信念跟踪器也优于以前的对话信念跟踪模型的准确性。
2020-11-05 cs.AI cs.CL
Towards Proactive Detection of User-Side Implicit Conflicts in Human-LLM Dialogue
University of Science and Technology Beijing(北京科技大学);University of South China(南华大学)
针对人机对话中用户侧隐性冲突检测难题,构建基准UC-Bench并提出约束引导合成方法SynUC,生成训练集UC-Data,使轻量模型Qwen3.5-4B超越更大模型。
2026-09-18 cs.CL
Towards Proactive Personalization through Profile Customization for Individual Users in Dialogues
Zhejiang University(浙江大学);Zhejiang Key Laboratory of Medical Imaging Artificial Intelligence(浙江省医学影像人工智能重点实验室)
本文提出PersonalAgent,通过构建和动态完善用户档案,实现对话中的长期个性化和用户偏好推断,提升对话代理的适应性和连贯性。
2025-12-17 cs.CL
An Ensemble Dialogue System for Facts-Based Sentence Generation
Nagoya Institute of Technology(名古屋工业大学)
本研究旨在通过条件化语境和从信息网站中提取的外部事实来生成基于真实世界事实的反应。我们的系统是一个集成系统,结合了三个模块:基于生成的模块,基于检索的模块,和重排序模块。因此,该系统可以从各种角度返回多样化和有意义的响应。实验和评估是用对话系统技术挑战7(DSTC 7-Task 2)中的句子生成任务进行的。因此,所提出的系统表现明显优于单一模块,并在DSTC 7-Task 2中工作良好,特别是在客观评价方面。
2019-02-05 cs.AI cs.CL
EDA: Enriching Emotional Dialogue Acts using an Ensemble of Neural Annotators
University of Hamburg(汉堡大学)
情感和对话行为的识别丰富了会话分析,有助于构建自然的对话系统。情感解读使我们理解情感,而对话行为则反映话语的意图和施为功能。然而,大多数文本和多模态会话情感语料库只包含情感标签,而不包含对话行为。为了解决这个问题,我们建议使用一个在对话行为语料库上训练的各种递归神经模型的池,有上下文和没有上下文。这些神经模型用对话行为标签标注情感语料库,并且集成标注器提取最终的对话行为标签。我们标注了两个可访问的多模态情感语料库:IEMOCAP和MELD。我们分析了情感和对话行为标签的共现,发现了特定的关系。例如,接受/同意对话行为经常伴随着喜悦的情绪、悲伤的道歉和喜悦的感谢发生。我们将情感对话行为(EDA)语料库公开提供给研究界进行进一步的研究和分析。
2020-03-16 cs.AI cs.CL cs.RO
Weakly-Supervised Neural Response Selection from an Ensemble of Task-Specialised Dialogue Agents
Alt Inc.(奥尔特公司);University of Liverpool(利物浦大学)
包含不同类型的代理与人类对话的对话引擎很受欢迎。然而,对话是动态的,在这个意义上,所选择的响应将改变会话的飞行,影响会话中的后续话语,这使得响应选择一个具有挑战性的问题。我们建模的问题,选择最佳的反应,从一组由一组异构的对话代理所产生的反应,考虑到会话的历史,并提出了一个\emph{Neural Response Selection}方法。所提出的方法被训练来预测一个连贯的一组反应在一个单一的对话,考虑自己的预测通过课程训练机制。我们的实验结果表明,该方法可以准确地选择最合适的反应,从而显着提高用户体验的对话系统。
2020-05-06 cs.AI cs.CL cs.LG
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
DiagGPT: An LLM-based and Multi-agent Dialogue System with Automatic Topic Management for Flexible Task-Oriented Dialogue
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对现有大语言模型在复杂诊断类任务型对话中表现不足的问题,本文提出具备自动主题管理功能的多智能体系统DiagGPT,可拓展大模型的任务型对话适用场景、提升交互灵活性,实验验证其性能优异。
2024-04-15 cs.AI cs.CL
Proactive for Uncertainty: Cause-Aware Error Diagnosis and Interactive Clarification for Spoken Dialogue Systems
Nanyang Technological University, Singapore(南洋理工大学,新加坡);Shanghai Jiao Tong University, China(上海交通大学,中国)
本文提出一种因果感知的错误恢复范式,通过细粒度检测器解耦ASR中的感知、理解和删除错误,使LLM能够执行多轮针对性澄清策略,从而显著降低词错误率并提升下游任务性能。
2026-09-25 cs.CL eess.AS
Enabling Proactive Spoken Turns via a Generalized Style-Aware Full-Duplex Framework
Token Foundry, Alibaba Group(阿里巴巴集团Token Foundry)
该研究构建含LPS-TC控制器、WildTurn数据集及两级评估方案的风格感知全双工框架,结合半双工/全双工模型后,可实现更自然类人的主动口语交互,时机与响应质量表现优异。
2026-09-01 cs.AI cs.CL cs.SD
Collaborative and Proactive Management of Task-Oriented Conversations
University of Isfahan(伊斯法罕大学);Paris-Saclay University(巴黎-萨克雷大学);Université Paris-Saclay(巴黎-萨克雷大学)
本文提出一种基于信息状态方法、利用大语言模型上下文学习的任务导向对话管理模型,通过预定义槽位和文本组件建模用户偏好,实现主动规划,在MultiWOZ上取得更优表现。
2025-09-26 cs.CL
MMDuet2: Enhancing Proactive Interaction of Video MLLMs with Multi-Turn Reinforcement Learning
Wangxuan Institute of Computer Technology, Peking University(王宣计算机技术研究所,北京大学);State Key Laboratory of General Artificial Intelligence(通用人工智能国家重点实验室)
MMDuet2通过多轮强化学习方法,实现了视频MLLMs在多轮对话中的主动交互,提升了回复时机和质量,达到ProactiveVideoQA基准的最优性能。
2025-12-07 cs.CL cs.CV
Does It Affect You? Social and Learning Implications of Using Cognitive-Affective State Recognition for Proactive Human-Robot Tutoring
Augsburg University(奥格斯堡大学);Ulm University(乌尔姆大学)
在教育环境中使用机器人已经证明对学生的学习和社会行为有益。为了使他们更上一层楼,提供更有效、更人性化的辅导,适应用户和表达主动性的能力是至关重要的。通过主动采取行动,智能机器人导师可以预测可能出现的学生问题,并提前采取行动以防止负面结果。尽管如此,何时以及如何主动采取行动的决定仍然是一个悬而未决的问题。因此,本文涉及的调查,学生的认知情感状态可以使用的机器人导师触发主动辅导对话。这样做的目的是改善学习体验。出于这个原因,观察到一个概念学习任务场景,其中当检测到负面用户状态时,机器人助理主动提供帮助。在学习任务中,用户的沮丧和困惑状态被认为对任务的结果有负面影响,并被用来触发主动行为。在与40名本科生和博士生的实证用户研究中,我们研究了在检测到困惑和挫折的迹象后,主动行为的启动是否会提高学生对代理的专注和信任。此外,我们还调查了哪种程度的主动对话对促进学生的专注和信任是有用的。结果表明,高积极主动的行为损害信任,特别是当触发在消极的认知情感状态,但有助于保持学生专注于任务时,触发在这些状态。基于我们的研究结果,我们进一步讨论了未来的步骤,以改善机器人辅导系统的主动协助。
2022-12-20 cs.CL cs.RO
Ensemble-Based Deep Reinforcement Learning for Chatbots
University of Lincoln(林肯大学);Samsung Research(三星研究院)
可训练的聊天机器人表现出流畅和类似人类的对话仍然是人工智能的一大挑战。深度强化学习(DRL)有望解决这一挑战,但其成功应用仍然是一个悬而未决的问题。本文描述了一种应用于基于值的DRL聊天机器人的新的基于集成的方法,该方法使用有限动作集作为意义表示的形式。在我们的方法中,虽然对话动作来自句子聚类,但我们集合中的训练数据集来自对话聚类。后者旨在诱导专门的代理人学习以特定的方式进行交互。为了使用我们提出的方法促进神经聊天机器人训练,我们假设对话数据仅为原始文本-没有任何手动标记的数据。使用聊天数据的实验结果表明,(1)可以诱导接近人类的对话策略,(2)推广到看不见的数据是一个困难的问题,(3)训练聊天机器人代理的集合对于使用单个代理来提高性能至关重要。除了使用保留的数据进行评估外,我们的结果还得到了人类评估的进一步支持,该评估对对话的流畅性,连贯性和一致性进行了评估-这表明我们提出的对话奖励与人类判断密切相关。
2019-08-27 cs.AI cs.CL cs.LG
A Transformer-Based User Satisfaction Prediction for Proactive Interaction Mechanism in DuerOS
Baidu Inc.(百度公司);Tsinghua University(清华大学);Macquarie University(麦考瑞大学)
近来,口语对话系统已经被广泛地部署在各种应用中,服务于大量的终端用户。一个常见的问题是,由嘈杂的话语、语义误解或缺乏知识导致的错误使得真实系统难以正确响应,可能导致不令人满意的用户体验。为了避免这种情况下,我们考虑一个积极的互动机制,系统预测用户满意度的候选人的反应之前,给用户。如果根据预测用户不太可能满意,则系统将询问用户合适的问题以确定用户的真实意图,而不是直接提供响应。通过与用户的这种交互,系统可以向用户给出更好的响应。以前预测用户满意度的模型不适用于DuerOS,DuerOS是一个大规模的商业对话系统。它们基于手工制作的特征,因此很难学习数百万次对话背后的复杂模式和多轮对话中的时间依赖性。此外,它们是在具有足够标签的基准数据集上训练和评估的,这在商业对话系统中获得是昂贵的。为了应对这些挑战,我们提出了一个管道来预测用户满意度,以帮助DuerOS决定是否在每个回合中要求澄清。具体来说,我们建议首先生成大量的弱标签,然后训练一个基于transformer的模型来预测用户对这些弱标签的满意度。从经验上讲,我们在DuerOS上部署和评估了我们的模型,并观察到用户满意度预测准确性相对提高了19%,用户体验相对提高了2.3%。
2022-12-05 cs.AI cs.CL cs.LG
Substance over Style: Evaluating Proactive Conversational Coaching Agents
University of Washington(华盛顿大学);Google Research(谷歌研究)
本研究实现并评估了五个多轮对话教练智能体,通过用户研究发现核心功能比风格更重要,并揭示了用户、专家与语言模型评估之间的显著不一致。
2025-07-08 cs.AI cs.CL
An Ensemble Model with Ranking for Social Dialogue
Heriot-Watt University(赫瑞瓦特大学)
开放领域的社会对话是人工智能的长期目标之一。今年,亚马逊首次宣布了Alexa Prize挑战赛,真正的客户可以对全球领先大学开发的系统进行评分。这项挑战的目的是“与人类就流行话题进行连贯和愉快的对话20分钟”。我们描述了我们的Alexa Prize系统(称为“Alana”),该系统由一系列机器人组成,结合了基于规则的系统和机器学习系统,并使用上下文排名机制来选择系统响应。在比赛期间接收到的真实用户反馈上训练排名器,其中我们解决了如何在比赛期间获得的嘈杂和稀疏反馈上进行训练的问题。
2017-12-20 cs.CL
Zhongjing: Enhancing the Chinese Medical Capabilities of Large Language Model through Expert Feedback and Real-world Multi-turn Dialogue
Zhengzhou University(郑州大学)
针对中医领域LLM性能不足,提出Zhongjing模型,采用持续预训练、SFT和RLHF完整训练流程,并构建7万真实医患对话数据集CMtMedQA,显著提升多轮对话和主动询问能力,实验表明性能优于基线,部分能力媲美ChatGPT。
2023-12-28 cs.CL
HierTOD: A Task-Oriented Dialogue System Driven by Hierarchical Goals
The Ohio State University(俄亥俄州立大学);Adobe Inc.(Adobe公司)
HierTOD是一个由层级目标驱动的企业级任务型对话系统,通过复合目标检索和统一槽填充与分步指导范式,支持复合工作流,提升任务完成效率与用户协助效果。
2025-09-07 cs.AI cs.CL
VibeSearchBench: Benchmarking Long-horizon Proactive Search in the Wild
Xiaohongshu Dots Studio & Unipat AI(小红书 dots 飞 studios 与 Unipat AI)
针对现有搜索基准中查询过于明确、单轮交互和固定模式评估导致用户体验与评估结果差距的问题,提出VibeSearch范式并构建VibeSearchBench基准,通过渐进式用户模拟和图匹配评估框架测试前沿模型,发现所有模型在长期上下文推理、主动意图激发和结构化知识构建方面仍存在显著不足。
2026-08-06 cs.AI cs.CL
Training Millions of Personalized Dialogue Agents
Facebook(脸书)
当前的对话系统对于用户来说不是很吸引人,特别是当在不依赖于主动重新参与脚本策略的情况下进行端到端培训时。Zhang et al.(2018)表明,当将端到端对话模型的参与度调节为文本角色时,会增加模型的参与度,为模型提供一些个性化的背景故事。然而,Zhang et al.(2018)中使用的数据集是合成的,大小有限,因为它包含大约1k个不同的人物角色。在本文中,我们介绍了一个新的数据集,提供500万个人物角色和7亿个基于人物角色的对话。我们的实验表明,在这种规模下,使用人物角色进行训练仍然可以提高端到端系统的性能。此外,我们还通过对Zhang et al.(2018)的数据微调我们的模型并实现最先进的结果,证明了其他任务也受益于我们数据集的广泛覆盖。
2018-09-06 cs.CL
NewsDialogues: Towards Proactive News Grounded Conversation
Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Beijing Institute of Technology(北京理工大学);Peking University(北京大学)
本文提出主动式新闻 grounding 对话任务,构建含1K对话的 NewsDialogues 中文数据集,并设计 Predict-Generate-Rank 方法,通过知识预测、回复生成与排序缓解曝光偏差,实验验证其有效性。
2023-08-12 cs.CL
ProMediConv: Benchmarking Proactive Conversational Agents in Legal Dispute Mediation
University of Science and Technology of China(中国科学技术大学);Singapore Management University(新加坡管理大学);Institute of Artificial Intelligence, Hefei Comprehensive National Science Center(合肥综合性国家科学中心人工智能研究院)
提出ProMediConv基准框架,将法律纠纷调解建模为主动多阶段对话过程,整合11种调解策略和四种当事人行为状态,构建高保真数据集并引入MAD细粒度指标,系统评估现有模型能力,为AI辅助冲突解决提供量化标准。
2026-09-11 cs.CL
Real-World Doctor Agent with Proactive Consultation through Multi-Agent Reinforcement Learning
Guangzhou National Laboratory(广州国家实验室)
本文提出DoctorAgent-RL框架,通过多智能体强化学习提升医疗咨询的动态决策能力,实现70%的准确诊断匹配率,验证了其在现实中的有效性。
2026-04-30 cs.CL
WeChat AI & ICT's Submission for DSTC9 Interactive Dialogue Evaluation Track
WeChat AI, Tencent Inc(腾讯公司微信人工智能实验室);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Peking University(北京大学);University of Chinese Academy of Sciences(中国科学院大学)
我们参加了DSTC 9交互式对话评估轨道(Gunasekara et al. 2020)子任务1(基于知识的对话)和子任务2(交互式对话)。在子任务1中,我们使用一个预先训练好的语言模型来生成与主题相关的响应,并提出了一种响应集成方法来选择响应。在子任务2中,我们提出了一种新的对话规划模型(Dialogue Planning Model,简称PMM)来捕获与人类交互中的会话流。我们还设计了一个完整的开放领域对话系统,包括前处理,对话模型,评分模型,和后处理,它可以生成流畅,连贯,一致,人性化的反应。我们在人工评分上并列第一,在子任务1中获得了最高的Meteor和Bert评分,在子任务2中的交互式人工评估中排名第三。
2021-06-04 cs.AI cs.CL
Instruct-FD: Can Your Full-Duplex Speech System Follow Turn-Taking Instructions?
Boson AI(玻色子人工智能公司)
研究全双工语音系统在明确指令下的轮流发言行为,引入Instruct-FD基准,开发相关工具,通过对六个先进系统测试发现遵循指令的轮流管理有差距,为构建适应性全双工对话系统指明关键方向。
2026-07-24 cs.AI cs.CL
Multilingual KokoroChat: A Multi-LLM Ensemble Translation Method for Creating a Multilingual Counseling Dialogue Dataset
本文提出多LLM集成翻译方法,通过翻译日文咨询语料库KokoroChat生成多语言咨询对话数据集,验证了该方法在翻译质量上的优越性。
2026-04-06 cs.CL
Beyond "How may I help you?": Assisting Customer Service Agents with Proactive Responses
University of California, San Diego(加州大学圣地亚哥分校);Airbnb, Inc.(爱彼迎公司)
我们研究的问题,提供建议的反应,客户服务代理在实时聊天对话系统。智能回复系统已经广泛应用于现实世界的应用程序(例如Gmail,LinkedIn消息),其中大多数都可以成功地推荐反应式响应。然而,我们注意到,现行方法的一个主要局限性是,它们通常难以建议采取主动调查行动(例如,“你是否在我们这里有其他账户?“),因为缺乏长期的背景信息,而这些信息确实是客户服务代理收集信息和解决客户问题的关键步骤。因此,在这项工作中,我们提出了一种端到端的方法,特别关注在Airbnb的客户服务实时聊天系统中向客户代理提出主动调查问题。我们所提出的方法的有效性可以通过定性和定量的结果进行验证。
2018-11-26 cs.CL cs.IR
Data Manipulation: Towards Effective Instance Learning for Neural Dialogue Generation via Learning to Augment and Reweight
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Data Science Lab, JD.com(京东数据科学实验室);Baidu Inc.(百度公司)
目前最先进的神经对话模型遵循数据驱动的范式,从人类对话中学习。因此,一个可靠的训练语料库是构建一个健壮和良好的对话模型的关键。然而,由于人类对话的开放性,用户生成的训练数据的质量变化很大,有效的训练样本通常不足,而噪声样本频繁出现。这阻碍了这些数据驱动的神经对话模型的学习。因此,有效的对话学习不仅需要更可靠的学习样本,而且需要更少的噪声样本。在本文中,我们提出了一个数据操作框架,通过增加和突出有效的学习样本,同时减少低效样本的影响,主动重塑数据分布,使其向可靠样本发展。特别地,数据操作模型选择性地增加训练样本,并为每个实例分配重要性权重,以改造训练数据。请注意,所提出的数据操作框架是完全数据驱动和可学习的。它不仅操纵训练样本以优化对话生成模型,而且还通过验证样本的梯度下降来学习增加其操纵技能。大量的实验表明,我们的框架可以提高对话生成性能方面的各种自动评价指标和人类的判断。
2020-06-11 cs.AI cs.CL cs.LG
From What to Respond to When to Respond: Timely Response Generation for Open-domain Dialogue Agents
Pohang University of Science and Technology(浦项科技大学);Scatter Lab, Inc.(Scatter Lab公司);Kyungpook National University(庆北大学);Yonsei University(延世大学)
针对开放域对话回应时机研究不足的问题,该研究提出适时对话回应生成任务与TimelyChat基准,构建5.5万条事件驱动对话数据集并训练对话智能体Timer,其表现优于现有基线。
2025-06-17 cs.CL