Deep Sentiment Classification and Topic Discovery on Novel Coronavirus or COVID-19 Online Discussions: NLP Using LSTM Recurrent Neural Network Approach
Nanjing University of Science and Technology（南京理工大学）；Dalhousie University（达尔豪斯大学）；Jiangsu University of Science and Technology（江苏科技大学）
互联网论坛和公共社交媒体，如在线医疗论坛，为关注健康问题的用户（人/患者）提供了一个方便的渠道，以相互讨论和分享信息。2019年12月下旬，据报道爆发了新型冠状病毒（感染导致的疾病称为COVID-19），由于该病毒在世界其他地区迅速传播，世界卫生组织宣布进入紧急状态。在这篇论文中，我们使用了从社交媒体中自动提取与COVID-19相关的讨论，以及基于主题建模的自然语言处理（NLP）方法，从公众舆论中发现与COVID-19相关的各种问题。此外，我们还研究了如何使用LSTM循环神经网络对COVID-19评论进行情感分类。我们的研究结果揭示了利用公众意见和合适的计算技术来理解COVID-19相关问题并指导相关决策的重要性。
2020-04-24 cs.CL cs.IR
Tracing Forum Posts to MOOC Content using Topic Analysis
University of Alberta（阿尔伯塔大学）
大规模开放在线课程是开放的教育计划，通过互联网向大量人群开放。为了促进学习，MOOC讨论论坛存在，学生和教师交流与课程相关的问题，答案和想法。这篇论文的主要目的是研究使用主题分析追踪讨论论坛帖子到课程视频和阅读材料。我们利用潜狄利克雷分配（LDA）的无监督和监督的变体，从课程材料中提取主题并对论坛帖子进行分类。我们验证了我们的方法，从五个Coursera课程的帖子引导，并确定主题模型可以用来映射学生的讨论帖子回到基础课程讲座或阅读。标记的LDA优于无监督的分层狄利克雷过程LDA和基础LDA为我们的可追溯性任务。这项研究是有用的，因为它提供了一个自动化的方法，聚类学生的讨论课程材料，使教师能够快速评估学生的误解的内容，并相应地澄清材料。
2019-04-15 cs.CL cs.CY cs.IR
Latent Topic Conversational Models
PolyAI；Google Brain（谷歌大脑）
与序列到序列（seq2seq）模型相比，潜变量模型一直是会话建模的首选，后者倾向于生成通用和重复的响应。尽管如此，训练潜变量模型仍然是困难的。在本文中，我们提出了潜在主题会话模型（LTCM），它使用神经潜在主题组件来增强seq2seq，以更好地指导响应生成并使训练更容易。神经主题组件对来自源句子的信息进行编码，以构建单词的全局“主题”分布，然后在每个生成步骤中由seq2seq模型进行咨询。我们详细研究了如何在香草模型和LTCM中学习潜在表示。我们广泛的实验有助于更好地理解和训练语言的条件潜在模型。我们的研究结果表明，通过从学习的潜在代表采样，LTCM可以产生多样化和有趣的反应。在主观的人类评估中，法官也确认LTCM是总体首选选项。
2018-09-19 cs.CL
Sentiment Analysis and Topic Modeling for COVID-19 Vaccine Discussions
University of New South Wales（新南威尔士大学）；Deakin University（迪肯大学）
2019新型冠状病毒病（COVID-19）爆发已持续近两年，对全球人民的日常生活造成前所未有的影响。更糟糕的是，COVID-19 Delta变异病毒的出现再次将世界置于危险之中。幸运的是，自这场灾难开始以来，许多国家和公司已经开始开发冠状病毒疫苗。到目前为止，世界卫生组织（世卫组织）已批准了20多种疫苗，为被大流行病围困的人们带来了光明。COVID-19疫苗接种在全球的推广也在社交媒体上引发了大量关于疫苗不同方面的讨论，如有效性和安全性。然而，并没有太多的研究工作来系统地分析公众对COVID-19疫苗的意见。在这项研究中，我们对Twitter上与冠状病毒疫苗相关的推文进行了深入分析，以了解有关国家和疫苗水平的热门话题及其相应的情感极性。结果显示，大多数人对疫苗的有效性有信心，并愿意接种疫苗。相比之下，负面推文通常与疫苗短缺，注射后副作用和接种疫苗后可能死亡的投诉有关。总的来说，这项研究利用流行的NLP和主题建模方法来挖掘人们在社交媒体上对COVID-19疫苗的意见，并客观地分析和可视化它们。我们的研究结果可以提高社交媒体上嘈杂信息的可读性，为政府和政策制定者提供有效的数据支持。
2021-10-08 cs.CL cs.CY
TopiOCQA: Open-domain Conversational Question Answering with Topic Switching
Mila（米拉人工智能研究所）；McGill University（麦吉尔大学）；ETH Zürich（苏黎世联邦理工学院）；Microsoft Montréal（微软蒙特利尔）；ServiceNow Research（ServiceNow研究院）；Facebook CIFAR AI Chair（Facebook-CIFAR人工智能讲席）
在会话式问答场景中，提问者试图通过一系列相互依赖的问题和答案来提取关于主题的信息。随着谈话的进行，他们可能会切换到相关的话题，这是在信息搜索会话中常见的现象。然而，当前用于会话式问答的数据集在两个方面受到限制：1）它们不包含主题转换;以及2）它们假设给出了会话的参考文本，即，该设置不是开放域。我们介绍TopiOCQA（发音为Tapioca），这是一个开放域的会话数据集，在维基百科上具有主题开关。TopiOCQA包含3，920个对话，其中包含信息寻求问题和自由形式的答案。平均而言，我们数据集中的对话跨越13个问答回合，涉及4个主题（文档）。TopiOCQA提出了一个具有挑战性的测试床的模型，在同一会话的多个回合，需要有效的检索，结合使用会话历史构建有效的响应。我们评估了几个基线，通过结合最先进的文档检索方法与神经阅读器模型。我们最好的模型达到了55.8的F1，比人类的表现低了14.2分，这表明我们的数据集很难。我们的数据集和代码可在https://mcgill-nlp.github.io/topiocqa上获得
2022-02-20 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
Testimole-Conversational: A 30-Billion-Word Italian Discussion Board Corpus (1996-2024) for Language Modeling and Sociolinguistic Research
University of Bologna（博洛尼亚大学）
该语料库为意大利大语言模型预训练和语言社会学研究提供了丰富的讨论板文本资源，涵盖1996-2024年间超过300亿词的意大利语信息。
2026-04-09 cs.CL
Moderation Matters:Measuring Conversational Moderation Impact in English as a Second Language Group Discussion
The University of Melbourne（墨尔本大学）
本研究构建ESL小组讨论数据集，提出自动评估与策略分类方法，发现调节者改善话题流动，积极认可最有效，过度分享有害。
2025-02-24 cs.CL
ConCET: Entity-Aware Topic Classification for Open-Domain Conversational Agents
Emory University（埃默里大学）
在开放域会话系统中识别每个用户话语的主题（域）是所有后续语言理解和响应任务的关键步骤。特别地，对于复杂域，话语通常被路由到负责该域的单个组件。因此，正确地将用户话语映射到正确的域是至关重要的。为了解决这个问题，我们引入了ConCET：一个并发的可信度感知的会话主题分类器，它将实体类型信息与话语内容特征结合在一起。具体来说，ConCET利用实体信息来丰富话语表示，将字符，单词和实体类型嵌入到单个表示中。然而，对于具有数百万个可用实体的丰富域，将需要不切实际的标记训练数据量。为了补充我们的模型，我们提出了一个简单而有效的方法，用于生成合成训练数据，以增加通常有限数量的标记训练数据，使用常用的知识库，以生成额外的标记话语。我们首先在一个名为Self-Dialogue的公开可用的人与人对话数据集上广泛评估ConCET和我们提出的训练方法，以根据以前最先进的方法校准我们的方法;其次，我们在与真实用户进行人机对话的大型数据集上评估ConCET，作为Amazon Alexa Prize的一部分收集。我们的研究结果表明，ConCET显著提高了两个数据集上的主题分类性能，包括比最先进的深度学习方法提高了8-10%。我们补充我们的定量结果与系统性能的详细分析，这可用于进一步改进的会话代理。
2020-05-28 cs.CL
State-of-the-art in Open-domain Conversational AI: A Survey
我们调查了SoTA开放域会话AI模型，目的是提出仍然存在的普遍挑战，以刺激未来的研究。此外，我们还提供了有关对话式人工智能性别的统计数据，以指导围绕该问题的伦理讨论。众所周知，开放域对话式人工智能面临着几个挑战，包括在用比喻语言提示时的平淡反应和性能下降等。首先，我们通过讨论对话式AI中的一些感兴趣的主题来提供一些背景。然后，我们讨论的方法适用于两个调查进行，使这项研究。第一项调查涉及搜索最近的SoTA开放域对话AI模型，而第二项调查涉及搜索100个对话AI以评估其性别。调查结果显示，最近的SoTA会话AI取得了进展，但仍存在需要解决的持续挑战，女性在会话AI中比男性更常见。一个主要的收获是，对话式AI的混合模型比任何单一架构都具有更多的优势。这项调查的主要贡献是：1）确定SoTA开放域对话式AI的主要挑战，2）关于低资源语言开放域对话式AI的不寻常讨论，以及3）关于对话式AI性别的伦理讨论。
2022-05-02 cs.CL
Contextual Topic Modeling For Dialog Systems
Amazon（亚马逊）
会话主题的准确预测可以是用于创建连贯和吸引人的对话系统的有价值的信号。在这项工作中，我们专注于上下文感知的主题分类方法，用于识别自由形式的人类聊天机器人对话中的主题。我们扩展了以前的工作，神经主题分类和无监督主题关键字检测，将会话上下文和对话行为功能。在注释数据上，我们表明，将上下文和对话行为导致主题分类准确率相对提高35%，主题经常跨越多个话语的会话交互的无监督关键字检测召回率提高11%。我们发现，主题深度等主题指标与连贯性和参与度等对话评价指标高度相关，这意味着会话主题模型可以预测用户满意度。我们检测对话主题和关键字的工作可以用来引导聊天机器人进行连贯的对话。
2018-10-19 cs.CL
OleSpeech-IV: A Large-Scale Multispeaker and Multilingual Conversational Speech Dataset with Diverse Topics
Olewave；Stanford University（斯坦福大学）；Microsoft（微软）；PingAn Technology（平安科技）；Korea University（韩国大学）；Carnegie Mellon University（卡内基梅隆大学）
本研究推出大规模多说话人多语言主题多样的对话语音数据集OleSpeech-IV，音频取自公开英文对话内容，人工标注结合专属流水线生成多类信息，同时开源非商用子集供研究使用。
2025-09-04 cs.CL
Topic Segmentation and Labeling in Asynchronous Conversations
Qatar Computing Research Institute（卡塔尔计算研究所）；University of British Columbia（不列颠哥伦比亚大学）
话题分割和标记通常被认为是更高级别会话分析的先决条件，并且已被证明在许多自然语言处理（NLP）应用中是有用的。我们提出了两个新的语料库的电子邮件和博客对话注释的主题，并评估注释器的可靠性，在这些异步对话的分割和标记任务。我们提出了一个完整的计算框架，主题分割和标签在异步会话。我们的方法通过考虑异步会话的细粒度结构以及通过应用最近的基于图的NLP方法的其他会话特征来扩展最先进的方法。对于主题分割，我们提出了两个新的无监督模型，利用细粒度的会话结构，和一个新的图论监督模型，结合词汇，会话和主题功能。对于主题标签，我们提出了两种新的（无监督）随机游走模型，分别从两个不同的来源捕获会话特定的线索：领导的句子和细粒度的会话结构。经验评估表明，我们最好的模型所执行的分割和标记击败了最先进的技术，并且与人类注释高度相关。
2014-02-04 cs.CL
Learning to Ask Questions in Open-domain Conversational Systems with Typed Decoders
Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京国家信息科学与技术研究中心）；Shandong University（山东大学）
在大规模、开放领域的会话系统中提出好的问题是相当重要的，但却没有触及。该任务与传统的问题生成任务有着本质的不同，它不仅要求提问的模式多样化，而且要求提问的主题多样化、相关性强。我们观察到一个好的问题是{\it疑问词}、{\it主题词}和{\it普通词}的自然组合。疑问词词汇化提问模式，话题词处理对话中话题转换的关键信息，普通词在构成自然句子中发挥句法和语法作用。我们设计了两种类型的解码器（\textit{soft typed decoder}和\textit{hard typed decoder}），其中估计了三种类型的类型分布，并用于调制最终生成分布。大量的实验表明，类型化解码器的性能优于最先进的基线，可以生成更有意义的问题。
2018-05-13 cs.CL
Topics as Proxies for Sociodemographics: How Conversational Context Affects LLM Answers
Institute for Logic, Language and Computation, University of Amsterdam（逻辑、语言与计算研究所，阿姆斯特丹大学）；Khoury College of Computer Sciences, Northeastern University（计算机科学学院，东北大学）；Center for Language and Cognition, University of Groningen（语言与认知中心，格罗宁根大学）
研究大语言模型在高风险场景中对话上下文对回答差异的影响，发现话题是社会人口统计差异的主要驱动因素，且影响方式不可预测。
2026-08-14 cs.CL
Multi-Agent Large Language Models for Conversational Task-Solving
University of Göttingen（哥廷根大学）
该研究系统评估不同对话范式下多智能体LLM在生成与问答任务的表现，构建相关研究分类体系并提出部署框架，揭示其在复杂推理上的优势及基础任务失效、对齐崩溃、讨论垄断三大挑战，为后续优化提供参考。
2024-11-01 cs.CL
The Anatomy of Conversational Scams: A Topic-Based Red Teaming Analysis of Multi-Turn Interactions in LLMs
Department of Computer Science, University of Iowa（爱荷华大学计算机科学系）；Department of Computer Science, City University of Hong Kong（香港城市大学计算机科学系）
通过LLM间模拟框架研究多轮社交工程对话中的对抗动态，分析攻击与防御策略，发现跨模型和跨语言的结果差异及策略转换的结构性变化。
2026-05-27 cs.CL
Topic Propagation in Conversational Search
ISTI-CNR（意大利国家研究委员会信息科学与技术研究所）；University of Pisa（比萨大学）；Georgetown University（乔治城大学）
在会话语境中，用户将她的多方面信息需求表达为一系列自然语言问题，即，话语从一个给定的主题开始，对话通过用户的话语和系统的回复。由于自然语言的模糊性以及难以检测话语之间可能的主题转移和语义关系，与会话中给定话语相关的文档的检索是具有挑战性的。我们采用2019年TREC会话助理跟踪（CAST）框架来实验模块化架构，执行：（i）主题感知话语重写，（ii）检索重写话语的候选段落，以及（iii）基于神经的候选段落重新排名。我们提出了一个全面的实验评估的架构评估传统的IR指标在小的截止。实验结果表明，我们的技术的有效性，实现了0.28（+93%）的P@1和0.19（+89.9%）的nDCG@3 w.r.t. CAST基线。
2020-04-29 cs.CL cs.IR
Topic Detection from Conversational Dialogue Corpus with Parallel Dirichlet Allocation Model and Elbow Method
School of Computer Science and Statistics, Trinity College Dublin, University of Dublin（都柏林大学圣三一学院计算机科学与统计学院）；ADAPT Centre, Trinity College Dublin, University of Dublin（都柏林大学圣三一学院ADAPT中心）
会话系统需要知道如何在主题之间切换，以便在更长的时间内继续会话。因此，从对话语料中检测话题已成为会话的一项重要任务，准确预测会话话题对于创建连贯和引人入胜的对话系统至关重要。本文提出了一种基于并行潜在狄利克雷分配（PLDA）模型的主题检测方法，该方法基于TF-IDF得分和词袋（BOW）技术对已知相似词进行聚类。在实验中，我们使用K-均值聚类与肘方法的解释和验证一致性的类内分析，以选择最佳的聚类数。我们通过与传统LDA和聚类技术的比较来评估我们的方法。实验结果表明，PLDA和肘方法相结合，选择最佳的集群数量和细化会话的主题。
2020-06-05 cs.CL cs.IR
Personality Differences Drive Conversational Dynamics: A High-Dimensional NLP Approach
Stanford University（斯坦福大学）
本文利用高维NLP方法分析1655段陌生人对话，发现开放性和外向性人格差异分别影响主题广度与语言对齐变化，并揭示人格差异是社会影响的重要驱动因素。
2024-12-27 cs.CL
Conversational Topic Recommendation in Counseling and Psychotherapy with Decision Transformer and Large Language Models
University of Michigan（密歇根大学）；Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）；IBM Research（IBM研究院）
本文提出用 decision transformer 建模咨询对话中的状态、动作与奖励以推荐话题，并将其输出作为合成标签微调 LLaMA-2 7B，提升了相对强化学习基线的效果。
2024-05-08 cs.CL
Topic-based Evaluation for Conversational Bots
University of Maryland（马里兰大学）；Amazon Alexa（亚马逊Alexa）
对话评估是一个具有挑战性的问题，特别是对于非面向任务的对话，其中会话成功没有很好地定义。我们建议使用基于主题的指标来评估对话质量，这些指标描述了对话机器人在主题上保持连贯和引人入胜的对话的能力，以及机器人可以处理的主题的多样性。为了检测每个话语的会话主题，我们采用深度平均网络（DAN）和训练的主题分类器上的各种问题和查询数据分类成多个主题。我们提出了一种新的扩展DAN通过添加一个主题词的注意力表，允许系统联合捕获主题关键字在话语和执行主题分类。我们将我们提出的基于主题的指标与用户提供的评级进行比较，并表明我们的指标与人类判断相关并补充人类判断。我们的分析是在Alexa Prize竞赛中成千上万的真实人机对话中进行的，并突出了用户对对话机器人的期望。
2018-01-11 cs.AI cs.CL cs.CY
Conversational Markers of Constructive Discussions
Cornell University（康奈尔大学）
小组讨论对于组织现代生活的各个方面都是必不可少的，从教师会议到参议院辩论，从拨款审查小组到教皇秘密会议。虽然在时间和组织努力方面成本高昂，但与不需要个人之间协调的解决方案（例如投票）相比，小组讨论通常被视为达成更好决策的一种方式-通过讨论，总和大于部分。然而，这一假设并非无可辩驳：浪费讨论的轶事证据比比皆是，在我们自己的实验中，我们发现超过30%的讨论是无效的。我们提出了一个框架来分析会话动态，以确定是否一个给定的任务为导向的讨论是值得或不。我们利用会话模式，反映思想的流动和参与者之间的平衡，以及他们的语言选择。我们将此框架应用于自然发生在开发和部署，以支持这项研究的在线协作世界探索游戏的对话。使用这种设置，我们表明，从团队讨论的前20秒中提取的语言线索和会话模式可以预测它是浪费还是富有成效的。
2016-04-25 cs.AI cs.CL cs.SI
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
AgenticAI-DialogGen: Topic-Guided Conversation Generation for Fine-Tuning and Evaluating Short- and Long-Term Memories of LLMs
School of Computing, Macquarie University（麦考瑞大学计算机学院）
本文提出AgenticAI-DialogGen框架，通过生成基于角色和主题的对话来微调和评估LLM的短期和长期记忆，引入了TopicGuidedChat数据集以提升对话质量和模型性能。
2026-04-14 cs.CL cs.IR
Towards Topic-Guided Conversational Recommender System
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Beijing Key Laboratory of Big Data Management and Analysis Methods（北京市大数据管理与分析方法重点实验室）；School of Information, Renmin University of China（中国人民大学信息学院）；Renmin University of China（中国人民大学）
会话式推荐系统（CRS）旨在通过交互式会话向用户推荐高质量的项目。为了开发有效的CRS，高质量数据集的支持至关重要。现有的CRS数据集主要关注用户的即时请求，而缺乏对推荐场景的主动指导。在本文中，我们提出了一个新的CRS数据集命名为\textbf{TG-ReDial}（\textbf{Re}推荐通过\textbf{T} \textbf{G} uided \textbf{Dial} og）。我们的数据集有两个主要特征。首先，它结合了主题线程，以实现向推荐场景的自然语义转换。其次，它是以半自动的方式创建的，因此人工注释更合理和可控。基于TG-ReDial，提出了基于主题的会话推荐任务，并提出了一种有效的会话推荐方法。大量的实验表明，我们的方法的有效性的三个子任务，即主题预测，项目推荐和响应生成。TG-ReDial可在https://github.com/RUCAIBox/TG-ReDial上获得。
2020-11-02 cs.CL cs.HC cs.IR
Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs
Georgia Institute of Technology（佐治亚理工学院）
提出一个流水线，通过少样本文本分类器将学生向对话式AI助教提出的问题映射到课程主题，并利用GPT-4提取的先决条件知识图谱，以检测主题级知识缺口。
2026-06-09 cs.AI cs.CL cs.CY
Keeping Up Appearances: Computational Modeling of Face Acts in Persuasion Oriented Discussions
Language Technologies Institute（语言技术研究所）；Carnegie Mellon University（卡内基梅隆大学）
面子的概念是指个人在公众面前的自我形象，这种形象既来自个人的行为，也来自与他人的互动。在整个会话过程中，人脸建模和理解其状态变化对于研究在交互中和通过交互维持人类基本需求至关重要。基于Brown和Levinson（1978）的礼貌理论，我们提出了一个通用的框架来模拟说服会话中的面部行为，从而得到一个可靠的编码手册、一个注释语料库和计算模型。该框架揭示了说服会话中不对称角色在面子行为利用上的差异。使用计算模型，我们能够成功地识别面部行为，以及预测一个关键的会话结果（例如捐赠成功）。最后，我们建立了一个潜在的代表性的会话状态，分析预测的脸行为的影响，一个积极的会话结果的概率，并观察几个相关性，证实了以前的研究结果。
2020-09-24 cs.CL
User Intent Inference for Web Search and Conversational Agents
Emory University（埃默里大学）
用户意图理解是设计会话代理和搜索引擎的关键步骤。检测或推断用户意图是具有挑战性的，因为用户话语或查询可能是简短的、模糊的并且依赖于上下文。针对这些研究挑战，本文的研究工作主要集中在：1）会话主体的话语主题和意图分类; 2）Web搜索引擎的查询意图挖掘和分类，主要针对电子商务领域。为了解决第一个问题，我提出了新的模型，将实体信息和会话上下文线索，以预测用户的话语的主题和意图。对于第二个研究主题，我计划将现有的Web搜索意图预测方法扩展到电子商务领域，通过：1）开发一个联合学习模型来预测搜索查询的意图和与之相关的产品类别，2）发现新的隐藏用户的意图。所有的模型都将在一个主要的电子商务网站搜索引擎的真实查询上进行评估。来自这些研究的结果可以被利用来提高各种任务的性能，诸如自然语言理解、查询范围确定、查询建议和排名，从而产生丰富的用户体验。
2020-07-08 cs.CL cs.IR
Thread Reconstruction in Conversational Data using Neural Coherence Models
University of Amsterdam（阿姆斯特丹大学）；Nanyang Technological University（南洋理工大学）；University of Nantes（南特大学）
论坛是重要的信息来源。它们通常用于回答用户可能遇到的特定问题，并发现有关感兴趣主题的更多信息。这些论坛中的讨论可能会以复杂的方式发展，使用户难以跟上思想的流动。我们提出了一种新的方法，用于自动识别论坛讨论的底层线程结构。我们的方法是基于一个神经模型，该模型计算可能重建的一致性得分，然后选择得分最高的，即，最连贯的一个。初步实验表明，有前途的结果优于一些强大的基线方法。
2017-07-25 cs.CL cs.IR
Quantifying Conversational Reliability of Large Language Models under Multi-Turn Interaction
研究评估了大型语言模型在多轮对话中的可靠性，发现其在复杂交互中存在显著下降，揭示了指令漂移、意图混淆等失败模式，强调了对LLM进行压力测试和改进评估方法的重要性。
2026-03-02 cs.CL
Topic Segmentation of Semi-Structured and Unstructured Conversational Datasets using Language Models
Microsoft Corp.（微软公司）；University Of Massachusetts（马萨诸塞大学）；University of Maryland（马里兰大学）
本文研究非结构化对话的主题分割，发现结构化文本预训练迁移效果有限，而使用目标领域小数据集从头训练并采用 Focal Loss 能显著提升分割性能。
2023-10-26 cs.AI cs.CL cs.LG
Discourse Parsing of Contentious, Non-Convergent Online Discussions
Ben Gurion University（本-古里安大学）；The Hebrew University of Jerusalem（耶路撒冷希伯来大学）
在线话语往往被认为是两极分化和非生产性的。虽然一些会话语篇分析框架是可用的，但它们并不自然地适合于分析有争议的和两极分化的讨论。受巴赫金对话理论的启发，我们提出了一个新的理论和计算框架，更适合于非收敛的讨论。我们重新定义了成功讨论的衡量标准，并发展了一个新的话语注释图式，它反映了话语策略的层次结构。我们考虑一系列分类模型--从逻辑回归到BERT。我们还考虑各种特征类型和表示，例如，LIWC类别，标准嵌入，会话序列和非会话话语标记分别学习。给定标签集中的31个标签，如果我们允许每个标签使用不同的模型，则平均F-Score为0.61，如果使用单个模型，则为0.526。根据所提出的模式在注释讨论中取得的令人鼓舞的结果为许多下游任务和应用铺平了道路，例如早期检测讨论轨迹，主动调节开放式讨论和教师辅助机器人。最后，我们分享了第一个有争议的非收敛在线讨论的标记数据集。
2020-12-08 cs.CL cs.SI
Augmenting Neural Response Generation with Context-Aware Topical Attention
University of Alberta（阿尔伯塔大学）
序列到序列（Seq2Seq）模型在生成自然会话交换方面取得了显着的成功。尽管这些神经网络模型生成的响应在句法上是良好的，但它们往往是上下文的、简短的和通用的。在这项工作中，我们介绍了一个主题分层递归编码器解码器（THRED），一种新颖的，完全数据驱动的，多轮响应生成系统，旨在产生上下文和主题感知的响应。我们的模型是建立在基本的Seq2Seq模型的基础上，通过增加一个分层的联合注意力机制，将主题概念和以前的相互作用纳入响应生成。为了训练我们的模型，我们提供了一个从Reddit评论中挖掘出来的干净且高质量的会话数据集。我们评估THRED的两个新的自动化指标，被称为语义相似性和响应回声指数，以及与人类的评价。我们的实验表明，所提出的模型是能够产生更多样化和上下文相关的反应相比，强基线。
2019-06-04 cs.CL
Building a Swedish Open-Domain Conversational Language Model
Chalmers University of Technology（查尔姆斯理工大学）；Recorded Future；Royal Institute of Technology（皇家理工学院）；Schibsted Media Group（施布斯特传媒集团）
我们目前正在进行的评估工作，据我们所知，第一个大型的生成语言模型训练，在瑞典语交谈，使用数据从在线讨论论坛闪回。我们进行了一项人类评估试点研究，表明该模型通常能够以类似人类和信息丰富的方式对各种主题的对话做出回应。虽然来自在线论坛的数据可以用于构建会话系统，但我们反思了不谨慎的应用程序可能产生的负面后果，以及采取积极措施防范这些后果的必要性。
2021-04-12 cs.CL
TruthBot: An Automated Conversational Tool for Intent Learning, Curated Information Presenting, and Fake News Alerting
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；Indian Institute of Information Technology Delhi（印度德里信息技术学院）
我们介绍TruthBot，一个多功能多语言对话聊天机器人，旨在寻求特定主题的真相（值得信赖和验证的信息）。它可以帮助用户获得特定主题的信息，事实检查信息，并获得最新消息。聊天机器人通过从先前意图的数据训练深度神经网络来学习查询的意图，并在将意图分类到上述类别之一时做出适当的响应。每个类都作为一个单独的模块实现，该模块使用自己的知识库或搜索Web以获得正确的信息。聊天机器人的主题目前设置为COVID-19。然而，机器人可以很容易地定制任何特定主题的响应。我们的实验结果表明，每个模块的性能显着优于其最接近的竞争对手，这是验证了定量和通过多种语言的几个基于用户的调查。TruthBot已于2020年6月部署，目前正在运行。
2021-01-31 cs.CL cs.SI
CIG: Measuring Conversational Information Gain in Deliberative Dialogues with Semantic Memory Dynamics
School of Computing and Information Systems, The University of Melbourne（墨尔本大学计算与信息系统学院）
本文提出CIG框架，通过语义记忆动态评估辩论对话中每个发言对集体理解的推进，展示基于记忆动态的指标比传统方法更有效。
2026-04-20 cs.CL
Detecting Harmful Online Conversational Content towards LGBTQIA+ Individuals
Michigan State University（密歇根州立大学）
在线讨论、小组讨论、讨论页编辑等，经常包含有害的会话内容即，仇恨言论、死亡威胁和攻击性语言，特别是针对某些人口群体的语言。例如，识别为LGBTQIA+社区和/或BIPOC（黑人，土著人，有色人种）成员的个人在网上遭受虐待和骚扰的风险更高。在这项工作中，我们首先介绍了一个真实世界的数据集，这将使我们能够研究和理解有害的在线会话内容。然后，我们进行了一些探索性的数据分析实验，以从数据集中获得更深入的见解。我们稍后描述了我们用于检测有害的在线反LGBTQIA+对话内容的方法，最后，我们实现了两个基线机器学习模型（即，支持向量机和逻辑回归），并微调3个预训练的大语言模型（BERT、RoBERTa和Hate BERT）。我们的研究结果验证了大语言模型在检测在线反LGBTQIA+会话内容检测任务上可以实现非常有前途的性能。
2022-06-15 cs.CL
Meeting the SDGs : Enabling the Goals by Cooperation with Crowd using a Conversational AI Platform
Nagoya Institute of Technology（名古屋工业大学）；Kyoto University（京都大学）
在本文中，我们报告了与1099名公民就阿富汗可持续发展目标进行的大规模在线讨论。
2021-06-09 cs.CL cs.CY
C-MTCSD: A Chinese Multi-Turn Conversational Stance Detection Dataset
Shenzhen Technology University（深圳技术大学）
针对中文多轮对话立场检测的研究空白，本文构建了规模达24264个实例的C-MTCSD数据集，通过多模型评估揭示其复杂性，为该领域提供新基准并指明改进方向。
2025-04-18 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
Longitudinal Analysis of Discussion Topics in an Online Breast Cancer Community using Convolutional Neural Networks
Columbia University（哥伦比亚大学）；King’s College London（伦敦国王学院）
识别在线健康社区（OHC）中的讨论主题对各种应用程序至关重要，但可能很困难，因为OHC内容的主题通常是异构的，并且依赖于域。在本文中，我们提供了一个多类模式，一个注释数据集，和监督分类器的基础上卷积神经网络（CNN）和其他模型的任务分类的讨论主题。我们将CNN分类器应用于最受欢迎的乳腺癌在线社区，并进行纵向分析，以显示整个成员参与过程中的主题分布和主题变化。我们的实验结果表明，CNN优于其他分类器在主题分类的任务，并可以检测到某些轨迹的主题变化。
2016-04-07 cs.CL cs.CY cs.SI
Measuring Conversational Productivity in Child Forensic Interviews
University of Southern California（南加州大学）
儿童法医访谈（FI）提出了一个挑战，有效的信息检索和决策。与这一过程相关的高风险要求专家法律访谈者能够有效地建立沟通渠道，并从儿童客户那里获得实质性知识，同时尽量减少遭受创伤的可能性。作为第一步计算建模和生产质量的口语面试策略和面试动态的广义理解，我们提出了一种新的方法来计算模型的有效性标准，通过应用总结和主题建模技术，客观地衡量和排名的反应和会话生产力的孩子在FI。我们通过构建一个议程来表示感兴趣的一般主题，并测量与给定响应的对齐度，并利用词汇夹带来进行响应，从而对信息检索进行评分。为了比较，我们提出了我们的方法与传统的评估指标，并讨论了使用先验信息生成态势感知。
2018-06-08 cs.CL cs.CY
From Data to Dialogue: Leveraging the Structure of Knowledge Graphs for Conversational Exploratory Search
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）
本研究结合知识图谱与对话界面的协同效应，提出支持用户以自然语言探索新闻、借图谱结构导航相关主题的知识驱动对话系统，经54名参与者的用户研究验证了该探索性搜索的有效性并给出设计启示。
2023-10-08 cs.CL cs.IR
Large Language Model based Situational Dialogues for Second Language Learning
Alibaba Group（阿里巴巴集团）
本文提出基于大语言模型微调的情境对话模型，用于第二语言口语练习，能在训练主题之外泛化，并设计了一种基于微调LLM的自动评估方法以替代昂贵的人工评估。
2024-03-29 cs.CL
WikiConv: A Corpus of the Complete Conversational History of a Large Online Collaborative Community
Cornell Tech（康奈尔理工学院）；Cornell University（康奈尔大学）；Wikimedia Foundation（维基媒体基金会）；Jigsaw, Google（谷歌Jigsaw部门）
我们提出了一个语料库，包括贡献者之间的对话维基百科，最大的在线协作社区之一的完整历史。通过记录对话的中间状态-不仅包括评论和回复，还包括它们的修改，删除和删除-这些数据提供了一个前所未有的在线对话视图。这种详细程度支持与大规模在线协作的过程（和挑战）有关的新研究问题。我们用两个案例研究来说明语料库的潜力，这些案例研究突出了对早期工作的新观点。首先，我们探讨一个人的会话行为如何取决于他们如何与讨论的地点。其次，我们表明，社区节制有毒行为发生的速度比以前估计的要高。最后，重建框架被设计为语言无关的，我们表明，它可以提取高质量的会话数据在中文和英文。
2018-10-31 cs.CL
End-to-End Knowledge-Routed Relational Dialogue System for Automatic Diagnosis
Sun Yat-Sen University（中山大学）；Soochow University（苏州大学）；Dark Matter AI Inc.（暗物质人工智能公司）
除了目前越来越受到关注的会话聊天机器人或面向任务的对话系统之外，我们还在开发一种用于自动医疗诊断的对话系统，该系统与患者对话，收集他们自我报告之外的其他症状，并自动进行诊断。除了会话对话系统面临的挑战（如话题转换连贯性和问题理解）外，自动医疗诊断还对医学知识和疾病关系背景下的对话合理性提出了更严格的要求。现有的对话系统（Madotto，Wu，and Fung 2018; Wei et al. 2018; Li et al. 2017）主要依赖于数据驱动的学习，无法对额外的专家知识图谱进行编码。在这项工作中，我们提出了一个端到端的知识路由的关系对话系统（KR-DS），无缝地将丰富的医学知识图谱到对话管理中的主题转换，并使其与自然语言理解和自然语言生成合作。提出了一种新的知识路由深度Q网络（KR-DQN）来管理主题转换，它集成了一个用于编码不同症状和疾病对之间关系的关系精化分支和一个用于主题决策的知识路由图分支。在公共医疗对话数据集上进行的广泛实验表明，我们的KR-DS显著击败了最先进的方法（诊断准确率超过8%）。我们进一步展示了我们的KR-DS在新收集的医疗对话系统数据集上的优越性，该数据集在保留患者和医生之间的原始自我报告和对话数据方面更具挑战性。
2019-03-18 cs.CL
A Unified Multi-task Learning Framework for Multi-goal Conversational Recommender Systems
The Chinese University of Hong Kong（香港中文大学）；Sichuan University（四川大学）；National University of Singapore（新加坡国立大学）
近年来，在开发多目标会话推荐系统（MG-CRS）方面取得了一些进展，这些系统可以主动吸引用户的兴趣，并自然地引导具有多个会话目标和不同主题的用户参与对话。MG-CRS通常涉及四个任务，包括目标规划、主题预测、项目推荐和响应生成。大多数现有的研究只涉及其中的一些任务。为了处理整个问题的MG-CRS，采用模块化的框架，其中每个任务独立处理，而不考虑它们的相互依赖性。在这项工作中，我们提出了一种新的统一多目标会话推荐系统，即UniMIND。具体来说，我们将这四个任务与不同的配方统一到相同的序列到序列（Seq 2Seq）范式。为了使统一模型具有多任务学习的能力，研究了基于任务的学习策略。最后，整个学习和推理过程包括三个阶段，包括多任务学习，基于任务的调整和推理。在两个MG-CRS基准测试（DuRecDial和TG-ReDial）上的实验结果表明，UniMIND在统一模型下的所有任务上都达到了最先进的性能。对MG-CRS进行了广泛的分析和讨论，为MG-CRS提供了一些新的视角。
2022-04-14 cs.CL cs.IR
StackOverflow vs Kaggle: A Study of Developer Discussions About Data Science
University of Adelaide（阿德莱德大学）
软件开发人员越来越需要了解基本的数据科学（DS）概念。最近，机器学习（ML）和深度学习（DL）在用户应用程序开发中的应用急剧增加，无论是通过框架利用还是从头开始实现。这些话题在网络平台上引起了很多讨论。本文通过大规模的定性和定量实验，对来自StackOverflow和Kaggle的197836篇帖子的特征进行了研究。潜狄利克雷分配主题建模是用来提取二十四个DS讨论的主题。主要发现包括TensorFlow相关主题在StackOverflow中最普遍，而Meta讨论主题在Kaggle上最普遍。StackOverflow倾向于包括较低级别的故障排除，而Kaggle则专注于实用性和优化排行榜性能。此外，在这两个社区，DS的讨论正在以惊人的速度增加。虽然StackOverflow上的TensorFlow讨论正在放缓，但对Keras的兴趣正在上升。最后，集成算法是Kaggle中提到最多的ML/DL算法，但很少在StackOverflow上讨论。这些发现可以帮助教育工作者和研究人员更有效地定制和优先考虑研究和向不同开发人员社区传达DS概念的工作。
2020-06-06 cs.CL cs.SE
Open Source MagicData-RAMC: A Rich Annotated Mandarin Conversational(RAMC) Speech Dataset
Institute of Acoustics, Chinese Academy of Sciences（中国科学院声学研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Magic Data Technology Co., Ltd.（魔数智音科技有限公司）；Shanghai Jiao Tong University（上海交通大学）；Northwestern Polytechnical University（西北工业大学）
本文介绍了一个高质量的丰富注释的普通话会话（RAMC）语音数据集称为MagicData-RAMC。MagicData-RAMC语料库包含180小时的会话语音数据，这些数据是以16 kHz的采样率通过移动电话从汉语普通话为母语的人记录的。MagicData-RAMC中的对话被分为15个不同的领域，并标有主题标签，从科学技术到日常生活。准确的转录和精确的扬声器语音活动时间戳手动标记每个样本。还提供了演讲者的详细信息。MagicData-RAMC是一个针对对话场景设计的具有高质量和丰富注释的普通话语音数据集，丰富了普通话语音社区的数据多样性，并允许对一系列语音相关任务进行广泛研究，包括自动语音识别，说话人日志，主题检测，关键字搜索，文本到语音，我们还进行了几个相关的任务，并提供实验结果，以帮助评估数据集。
2022-03-31 cs.CL eess.AS
MT2-CSD: A New Dataset and Multi-Semantic Knowledge Fusion Method for Conversational Stance Detection
College of Big Data and Internet, Shenzhen Technology University（大数据与互联网学院，深圳技术大学）；University of Washington（华盛顿大学）；University of Science and Technology of China（中国科学技术大学）
本文提出最大规模多目标多轮对话立场检测数据集MT2-CSD，并设计大语言模型增强的对话关系注意力网络LLM-CRAN，实验证明其显著优于强基线模型。
2025-07-04 cs.CL
From Talk to Action with Accountability: Monitoring the Public Discussion of Policy Makers with Deep Neural Networks and Topic Modelling
Emblica Oy（恩布利卡公司）；University of Edinburgh（爱丁堡大学）
几十年来对气候的研究已经达成共识，人类活动已经改变了气候，我们目前正在走向气候危机。虽然关于减缓气候变化的公众讨论和研究工作有所增加，但不仅需要讨论潜在的解决方案，而且还需要有效地部署这些解决方案。为了防止管理不善和使决策者承担责任，政府程序的透明度和信息程度已被证明是至关重要的。然而，目前关于气候变化讨论的信息量和来源范围使公众和民间社会越来越难以保持对政治家问责的总体了解。作为回应，我们提出了一个多源的主题聚合系统（MuSTAS）的过程中，政策制定者的演讲和修辞从几个公开的来源到一个容易消化的主题摘要。MuSTAS使用新的多源混合潜在狄利克雷分配模型的主题从各种文件。本专题摘要将帮助公众和民间社会评估政治家在何处、如何以及何时谈论气候和气候政策，使他们能够让政治家对他们减缓气候变化的行动负责。
2021-07-09 cs.CL cs.LG
Expectation, Backlash, Recovery, and Excitement: How Model Releases Shape Reddit Perceptions of Conversational AI Systems
Delft University of Technology（代尔夫特理工大学）
该研究通过分析Reddit讨论发现，对话式AI系统的模型发布会动态影响用户认知，不同提供商的模型发布在情感表现与关注主题上存在明显差异，这类发布是面向用户的重要干预措施。
2026-08-26 cs.CL cs.CY
Understanding Public Perceptions of AI Conversational Agents: A Cross-Cultural Analysis
National University of Singapore（新加坡国立大学）；The Hong Kong Baptist University（香港浸会大学）
本研究通过分析约一百万条社交媒体讨论，比较中美公众对对话代理的认知差异，发现中国用户更偏享乐且情绪积极，美国用户更重功能且态度矛盾，温暖感知是两国积极情绪的共同关键驱动因素。
2024-02-25 cs.CL cs.HC
