Summary Grounded Conversation Generation
IBM Research AI（IBM研究院人工智能部门）
近年来，许多会话数据集已经使用众包构建。然而，数据汇集过程可能很耗时，并对确保数据质量提出了许多挑战。由于语言生成有很大的改善，近年来与预先训练的语言模型的进步，我们研究如何利用这些模型来生成整个会话，只给出一个会话的摘要作为输入。我们探索了三种方法来生成摘要接地会话，并使用自动测量和人类判断来评估生成的会话。我们还表明，会话摘要的准确性可以通过增加生成的会话摘要数据集来提高。
2021-06-07 cs.CL
Image-Grounded Conversations: Multimodal Context for Natural Question and Response Generation
University of Rochester（罗切斯特大学）；Microsoft（微软）；University College London（伦敦大学学院）
社交媒体上图像共享的流行及其在用户之间创造的参与反映了视觉环境在日常对话中的重要作用。我们提出了一个新的任务，图像接地的对话（IGC），其中自然的冠冕堂皇的对话产生的共享图像。为了对进展进行基准测试，我们引入了一个新的多参考数据集，该数据集是关于图像的众包、以事件为中心的对话。IGC属于闲聊和目标导向的会话模型之间的连续体，其中视觉基础将会话主题限制为事件驱动的话语。在社交媒体数据上训练的模型的实验表明，视觉和文本上下文的结合提高了生成的会话回合的质量。在人类评估中，人类表现与神经和检索架构之间的差距表明，多模态IGC为对话研究提出了一个有趣的挑战。
2017-04-20 cs.AI cs.CL cs.CV
Knowledge-Grounded Conversational Data Augmentation with Generative Conversational Networks
Amazon（亚马逊）
虽然丰富的开放域文本数据通常是可用的，并且可能包括有趣的现象（幽默，讽刺，同情等）。大多数是为语言处理任务设计的，并且通常是非会话格式。在这项工作中，我们采取了一个步骤自动生成会话数据使用生成会话网络，旨在受益于可用的语言和知识数据的广度，并训练开放域社会会话代理。我们使用自动指标和人工评估器评估我们在话题聊天数据集上有知识和没有知识的对话上的方法。我们的研究结果表明，对于没有知识基础的对话，GCN可以从种子数据中概括出来，产生相关性较低但更具吸引力的新对话，对于知识基础的对话，它可以产生更多的以知识为中心，流畅和吸引人的对话。具体来说，我们表明，对于具有10%种子数据的开放域对话，我们的方法的性能接近使用100%数据的基线，而对于基于知识的对话，它只使用1%的数据，就人类对流畅性，流畅性和相关性的评价而言，达到了相同的效果。
2022-07-22 cs.CL
TUTORING: Instruction-Grounded Conversational Agent for Language Learners
Yonsei University（延世大学）；Market Designers Inc.（Market Designers 公司）
在本文中，我们提出了辅导机器人，一个生成的聊天机器人训练的大规模的辅导学生对话的英语学习。为了模仿人类导师在语言教育中的行为，导师机器人利用各种教育指令和每个指令的理由作为导师响应生成的附加输入上下文。由于单个指令通常涉及多个对话回合以给予学生足够的口语练习，因此需要导师机器人监视和捕获当前指令何时应该保持或切换到下一个指令。为此，导师机器人不仅学习生成响应，而且通过多任务学习方案同时推断其教学动作和当前会话的进展。我们的辅导机器人是根据https://tutoringai.com上的非商业使用许可证部署的。
2023-02-24 cs.AI cs.CL
A Dataset for Document Grounded Conversations
Carnegie Mellon University（卡内基梅隆大学）
本文介绍了一个基于文档的文本会话数据集。我们将“文档基础对话”定义为关于指定文档内容的对话。在这个数据集中，指定的文档是关于流行电影的维基百科文章。该数据集包含4112个对话，平均每个对话有21.43个回合。这使得该数据集不仅可以在生成响应时提供相关的聊天历史记录，还可以提供模型可以使用的信息源。我们描述了两个神经架构，提供基准性能的任务生成下一个响应。我们还评估了我们的参与度和流畅度模型，发现文档中的信息有助于生成更有吸引力和流畅的响应。
2018-09-19 cs.CL
A Knowledge-Grounded Neural Conversation Model
Microsoft Research（微软研究院）；Information Sciences Institute, USC（南加州大学信息科学研究所）
神经网络模型能够生成非常自然的对话交互。尽管如此，这些模型还没有证明它们可以以事实信息或实体为基础的意见的形式纳入内容，使它们能够在更多面向任务的会话应用程序中服务。本文提出了一种新颖的、完全数据驱动的、以知识为基础的神经会话模型，旨在产生更满意的响应，而无需填充槽。我们推广了广泛使用的Seq2Seq方法，通过对会话历史和外部“事实”的条件反应，使该模型在开放域环境中具有通用性和适用性。我们的方法在竞争性Seq2Seq基线上产生了显着的改进。人类法官发现我们的输出信息量更大。
2018-11-15 cs.CL
Maria: A Visual Experience Powered Conversational Agent
Sun Yat-sen University（中山大学）；Microsoft（微软）
可以说，会话智能体对物理世界的视觉感知是它们展现类人智能的关键途径。基于图像的对话因此被提出来应对这一挑战。现有的作品集中在探索多模态对话模型，地面上的对话一个给定的图像。在本文中，我们进一步研究图像为基础的对话在一个完全开放的设置下，没有配对的对话和图像是假设可用的。具体来说，我们提出了玛丽亚，神经会话代理的视觉世界的经验，从大规模的图像索引检索。玛丽亚由三个灵活的组成部分，即，文本到图像检索器、视觉概念检测器和基于视觉知识的响应生成器。检索器的目标是从图像索引中检索与对话相关的图像，而视觉概念检测器从图像中提取丰富的视觉知识。然后，响应生成器基于所提取的视觉知识和对话上下文来生成目标响应。大量的实验表明，Maria在自动度量和人工评估方面优于以前的最先进方法，并且可以生成具有物理世界视觉常识的信息响应。
2021-06-23 cs.AI cs.CL
Propose, Verify, Commit: Evidence-Grounded Memory for Long-Horizon Multi-Actor Conversations
Alibaba Cloud Computing（阿里云计算）
针对长时程多智能体对话记忆挑战，提出基于证据的提出-验证-提交协议和可搜索状态机EGMEMORY，在多个基准上显著超越基线，并展示良好泛化性。
2026-10-14 cs.AI cs.CL
Incremental Transformer with Deliberation Decoder for Document Grounded Conversations
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Northeastern University（东北大学）；Huazhong University of Science and Technology（华中科技大学）；Tencent Inc（腾讯公司）
文档固定对话是一项在聊天时生成对话响应的任务，内容是给定文档。显然，文档知识在基于文档的对话中起着至关重要的作用，而现有的对话模型并没有充分利用这种知识。在本文中，我们提出了一种新的基于transformer的多轮文档接地对话的架构。特别是，我们设计了一个增量Transformer编码多轮话语以及相关文件中的知识。受人类认知过程的启发，我们设计了一个两遍解码器（审议解码器），以提高上下文一致性和知识的正确性。我们对真实世界文档接地数据集的实证研究证明，我们的模型生成的响应在上下文一致性和知识相关性方面都显着优于竞争基线。
2019-07-31 cs.CL
Factors That Support Grounded Responses in LLM Conversations: A Rapid Review
(June 2025)（（2025年6月））
本文通过快速回顾识别了支持LLM对话中基础响应的因素，重点分析了推理时间、训练后及强化学习方法，旨在提升LLM响应的准确性和可靠性。
2025-11-24 cs.AI cs.CL
Plan-Grounded Large Language Models for Dual Goal Conversational Settings
NOVA School of Science and Technology（NOVA科学与技术学院）；NOVA LINCS
针对双目标混合主动对话，提出PlanLLM模型，将对话基于程序性计划并兼顾用户指令，实验显示比强基线提升2.1倍且泛化良好。
2024-02-01 cs.AI cs.CL
Post-hoc Utterance Refining Method by Entity Mining for Faithful Knowledge Grounded Conversations
Korea University（高丽大学）
本文提出事后精炼方法REM，通过挖掘来源知识中的关键实体来修正知识接地对话中的实体级幻觉，提升生成回复的忠实度与质量。
2024-06-16 cs.AI cs.CL
The Dialogue Dodecathlon: Open-Domain Knowledge and Image Grounded Conversational Agents
Facebook AI Research（Facebook人工智能研究院）
我们介绍dodecaDialogue：一组12个任务，衡量一个会话代理是否可以与个性和同理心进行愉快的沟通，提出问题，通过利用知识资源回答问题，讨论主题和情况，以及感知和谈论图像。通过对如此广泛的大规模数据集进行多任务处理，我们希望能够朝着生产一个能够在开放域环境中感知、推理和与人类交谈的单一统一代理的方向发展并衡量其进展。我们表明，这种多任务处理比BERT预先训练的基线有所改善，这主要是由于在类似领域中具有非常大的对话数据集的多任务处理，并且多任务处理通常在微调和任务转移设置中使用多个指标为基于文本和图像的任务提供增益。我们在许多任务上获得了最先进的结果，为这一挑战提供了强大的基线。
2020-04-28 cs.AI cs.CL
Adapting Document-Grounded Dialog Systems to Spoken Conversations using Data Augmentation and a Noisy Channel Model
Human Language Technology and Pattern Recognition Group, RWTH Aachen University（亚琛工业大学人类语言技术与模式识别组）；AppTek GmbH（AppTek有限责任公司）
本文总结了我们提交的任务2的第10届对话系统技术挑战赛（DSTC 10）的第二个轨道“基于知识的面向任务的对话建模口语对话”。与前一年的迭代类似，该任务由三个子任务组成：检测一个回合是否是知识寻求，选择相关的知识文档，最后生成一个接地的响应。今年，重点在于使系统适应嘈杂的ASR成绩单。我们探索不同的方法，使模型更强大的这种类型的输入，并适应口语对话的风格所产生的反应。对于后者，我们得到了最好的结果与嘈杂的信道模型，另外减少了短和通用的响应的数量。我们最好的系统在自动评估中获得了第一名，在人工评估中获得了第三名。
2021-12-16 cs.AI cs.CL cs.LG
Flexible End-to-End Dialogue System for Knowledge Grounded Conversation
Hong Kong University of Science and Technology（香港科技大学）
在以知识为基础的会话中，领域知识在音乐这样的特殊领域中起着重要的作用。基于知识的会话的应答可能包含多个应答实体或根本不包含应答实体。虽然现有的生成式问答（QA）系统可以应用于基于知识的会话，他们要么在响应中最多有一个实体，要么不能处理词汇表外的实体。我们提出了一个完全数据驱动的生成式对话系统GenDS，它能够根据输入消息和相关知识库（KB）生成响应。为了生成任意数量的答案实体，即使这些实体从来没有出现在训练集中，我们设计了一个动态的知识查询器，选择不同的答案实体在不同的位置在一个单一的响应，根据不同的本地上下文。它不依赖于实体的表示，使我们的模型能够处理词汇表外的实体。我们收集了一个人与人的对话数据（ConversMusic）与知识注释。在CoversMusic和一个公共问答数据集上对所提出的方法进行了评估。我们提出的GenDS系统在BLEU，实体准确性，实体召回和人类评估方面明显优于基线方法。此外，实验还表明，即使在小数据集上，GenDS也能更好地工作。
2017-09-13 cs.CL
Affective Visual Dialog: A Large-Scale Benchmark for Emotional Reasoning Based on Visually Grounded Conversations
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；HealthUnity；Google DeepMind（谷歌DeepMind）
本文提出情感视觉对话任务及包含50K个10轮视觉对话的AffectVisDial数据集，覆盖问答、情感预测和情感解释生成，并验证了基线模型的情感推理能力。
2024-08-27 cs.CL
Context-Aware Sequence-to-Sequence Models for Conversational Systems
Norwegian University of Science and Technology（挪威科技大学）
这项工作提出了一种新的方法，基于序列到序列（seq2seq）模型的上下文感知会话系统。现有的seq2seq模型已被证明是好的，在数据驱动的会话系统中产生自然的反应。然而，他们仍然缺乏机制，以纳入以前的谈话轮流。我们研究了基于RNN的方法，这些方法有效地将先前的回合作为生成响应的上下文。总体而言，我们的实验结果基于人类的判断证明了所提出的方法的可行性和有效性。
2018-05-22 cs.AI cs.CL
Knowledge Grounded Conversational Symptom Detection with Graph Memory Networks
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Amazon AI（亚马逊人工智能）
在这项工作中，我们提出了一种新的目标导向的对话任务，自动症状检测。我们构建了一个系统，可以通过对话与患者互动，自动检测和收集临床症状，这可以节省医生询问患者的时间。给定由患者提供的一组显式症状以发起用于诊断的对话，系统被训练为通过询问问题来收集隐式症状，以便收集更多信息以进行准确的诊断。在获得患者对每个问题的回答后，系统还将决定当前信息是否足以让人类医生做出诊断。为了实现这一目标，我们提出了两个神经模型和一个多步推理任务的训练管道。我们还构建了一个知识图谱作为额外的输入，以进一步提高模型性能。实验表明，我们的模型显著优于基线4%，平均发现67%的隐性症状，问题数量有限。
2021-01-24 cs.AI cs.CL
Retrieval Augmentation Reduces Hallucination in Conversation
Facebook AI Research（脸书人工智能研究院）
尽管显示出越来越像人类的对话能力，但最先进的对话模型通常遭受事实不正确和知识幻觉（Roller等人，2020年）。在这项工作中，我们探索了神经检索环内架构的使用-最近显示在开放域QA中是有效的（Lewis等人，2020 b年; Izacard和Grave，2020年）-对于以知识为基础的对话，这是一项更具挑战性的任务，因为它需要基于复杂的多轮对话上下文进行查询，并生成会话连贯的响应。我们研究了具有多个组件的各种类型的架构-检索器，排名器和编码器-解码器-其目标是在保持会话能力的同时最大化知识能力。我们证明了我们最好的模型在两个以知识为基础的会话任务上获得了最先进的性能。这些模型具有开放域会话能力，有效地推广到不在训练数据内的场景，并且通过人工评估验证，大大减少了最先进的聊天机器人中众所周知的知识幻觉问题。
2021-04-15 cs.AI cs.CL
CHARP: Conversation History AwaReness Probing for Knowledge-grounded Dialogue Systems
Université de Montréal（蒙特利尔大学）；RALI（RALI（机器智能学习与应用研究组））
本文提出 CHARP 诊断测试集，用于评估知识 grounded 对话系统的幻觉与对话历史遵从性，发现现有模型因忽略对话历史而表现不佳，并指出 FaithDial 评估的不足。
2024-05-24 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
Image Chat: Engaging Grounded Conversations
Facebook AI Research（脸书人工智能研究院）
为了实现机器能够与人类进行对话的长期目标，我们的模型应该吸引他们说话伙伴的兴趣。基于图像的通信，其中基于给定的照片进行对话，是自然吸引人类的设置（Hu等人，2014年）。在这项工作中，我们研究了大规模的架构和数据集，以实现这一目标。我们使用最先进的图像和文本表示测试了一组神经架构，考虑了各种融合组件的方法。为了测试这些模型，我们收集了一个接地的人与人对话的数据集，其中要求说话者在给定的情感情绪或风格下扮演角色，因为使用这些特征也是表达的关键因素（Guo et al.，2019年）。我们的数据集Image-Chat由202 k个对话和202 k个图像组成，使用了215种可能的风格特征。自动指标和人工参与度评估显示了我们方法的有效性;特别是，我们在现有的IGC任务上获得了最先进的性能，并且我们的最佳性能模型在图像聊天测试集中几乎与人类相当（首选47.7%的时间）。
2020-04-29 cs.CL
TalkDep: Clinically Grounded LLM Personas for Conversation-Centric Depression Screening
University of Sheffield（谢菲尔德大学）；University of A Coruña（阿罗纳大学）
针对抑郁症诊断训练数据不足，提出临床医生参与的LLM患者模拟流水线TalkDep，生成符合诊断标准的多样化症状，经临床验证以提升自动诊断系统的鲁棒性。
2025-08-06 cs.AI cs.CL
Not All or None: Dynamic Construction of Target-aware Memory Graph for Conversational Stance Detection
The Chinese University of Hong Kong（香港中文大学）；The Hong Kong Polytechnic University（香港理工大学）；Harbin Institute of Technology（哈尔滨工业大学）
针对对话式立场检测中历史对话信息利用的噪声问题，提出目标感知记忆图TamGraph，通过熵引导回溯机制动态构建目标感知图，提升LLM在该任务上的性能。
2026-09-01 cs.AI cs.CL
Pearl: A Review-driven Persona-Knowledge Grounded Conversational Recommendation Dataset
Yonsei University（延世大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对现有对话推荐数据集缺乏用户偏好和推荐解释的问题，本文提出基于评论驱动、角色与知识增强的大语言模型模拟器合成的PEARL数据集，包含超57k对话，实验证明其推荐更具相关性。
2024-06-08 cs.CL
Two Views, One Voice: Evidence-Grounded Conversational Music Recommendation
Naver（纳弗公司）；Samsung（三星公司）
在ACM RecSys Challenge 2026中，团队“swyoo”将检索与响应解耦为单独管道，结合混合池与LightGBM校准候选，再经PAS框架构建响应，实现基于证据的对话式音乐推荐，在排名和解释质量上取得佳绩。
2026-07-29 cs.AI cs.CL cs.IR
Structured Chain-of-Thought Prompting for Few-Shot Generation of Content-Grounded QA Conversations
IBM Research AI（IBM研究院人工智能部门）
本文提出结构化思维链提示方法，将内容 grounding 多轮问答生成任务分解为状态机中的多个专用状态，显著提升智能体对文档的忠实度，并仅用 6 个种子示例合成高质量训练数据，有效增强对话式问答智能体的域外泛化能力。
2024-02-20 cs.CL
Content Selection Network for Document-grounded Retrieval-based Chatbots
Université de Montréal（蒙特利尔大学）；Renmin University of China（中国人民大学）
在文档中建立人机对话是提高基于检索的聊天机器人性能的有效方法。然而，只有部分文档内容可能与帮助在一轮中选择适当的响应相关。因此，选择与当前会话上下文相关的文档内容部分至关重要。在本文中，我们提出了一个文档内容选择网络（CSN）执行显式选择相关的文档内容，并过滤掉不相关的部分。我们在两个公共文档为基础的会话数据集上的实验表明，CSN可以有效地帮助选择相关的文档内容的会话上下文，它产生更好的结果比国家的最先进的方法。我们的代码和数据集可以在https://github.com/DaoD/CSN上找到。
2021-01-21 cs.CL
Eliciting Knowledge from Large Pre-Trained Models for Unsupervised Knowledge-Grounded Conversation
The Chinese University of Hong Kong（香港中文大学）
大规模预训练的最新进展为大型模型提供了从原始文本中学习知识的潜力。因此，很自然地会问，是否有可能利用这些大型模型作为下游任务的知识库。在这项工作中，我们在无监督的知识基础对话中回答了上述问题。我们探索各种方法，最好地从大型模型中获取知识。我们的人类研究表明，尽管存在幻觉，但大型模型具有独特的优势，能够输出常识并总结无法从搜索引擎直接检索的事实。为了更好地利用这些产生的知识在对话生成，我们把产生的知识作为一个嘈杂的知识源，并提出了基于后验的重新加权以及嘈杂的训练策略。两个基准的实证结果显示出优于国家的最先进的方法。
2022-11-08 cs.CL
DIALKI: Knowledge Identification in Conversational Systems through Dialogue-Document Contextualization
University of Washington（华盛顿大学）；Allen Institute for AI（艾伦人工智能研究院）
识别在长文档基础上的会话系统中使用的相关知识对于有效的响应生成至关重要。我们引入了一个知识识别模型，利用文档结构提供对话上下文化的通道编码，并更好地定位与对话相关的知识。辅助丢失捕获对话框-文档连接的历史记录。我们证明了我们的模型在两个基于文档的会话数据集上的有效性，并提供了对看不见的文档和长对话上下文的泛化分析。
2021-09-10 cs.CL
Ontology Memory-Augmented ASR Correction for Long Text-Speech Interleaved Conversations
Institute of Computing and Intelligence, Harbin Institute of Technology (Shenzhen), China（哈尔滨工业大学（深圳）计算与智能研究所）；Shenzhen Loop Area Institute (SLAI), China（深圳环域研究所）
提出本体记忆增强的ASR校正框架，通过动态更新本体记忆存储实体、术语、变体、混淆和语义关系，解决长文本-语音交错对话中的上下文校正问题，在RAMC-Corr数据集上优于直接校正。
2026-06-15 cs.AI cs.CL
Sequential Topic Selection Model with Latent Variable for Topic-Grounded Dialogue
Huazhong University of Science and Technology（华中科技大学）；Pingan Property & Casualty Research（平安财产保险研究院）；Beijing Institute of Technology（北京理工大学）
近年来，基于话题的对话系统因其能够根据历史语境和给定的话题序列预测下一个话题从而获得更好的响应而受到广泛关注。然而，几乎所有现有的主题预测解决方案都只关注当前会话和相应的主题序列来预测下一个会话主题，而不利用可能包含与当前会话相关的主题转换的其他主题引导会话。为了解决这个问题，在本文中，我们提出了一种新的方法，命名为顺序全局主题注意力（SGTA），利用主题转换在所有的对话中，以一种微妙的方式，更好地建模后响应主题转换，并指导响应生成当前的对话。具体来说，我们引入了一个潜在空间建模为一个多元偏态分布与混合核函数，灵活地整合全球层面的信息与序列层面的信息，并预测的基础上的分布抽样结果的主题。我们还利用主题感知的先验-后验方法对预测主题进行二次选择，以优化响应生成任务。大量的实验表明，我们的模型在预测和生成任务上优于竞争基线。
2022-10-17 cs.CL
OpinionConv: Conversational Product Search with Grounded Opinions
University of Bonn（波恩大学）；Leipzig University（莱比锡大学）
OpinionConv利用产品评论为对话式AI提供真实主观意见依据，开发了首个模拟销售对话的AI，并通过用户研究验证了生成意见的现实感和决策价值。
2023-08-08 cs.CL cs.HC cs.IR
Knowledge Aware Conversation Generation with Explainable Reasoning over Augmented Graphs
Baidu Inc.（百度公司）
研究了两类知识，即来自知识图谱的三元组和来自文档的文本，用于知识感知的开域会话生成，其中图谱路径可以为知识选择决策缩小顶点候选，文本可以为响应生成提供丰富的信息.知识图谱与文本的融合可能会产生相互增强的优势，但这方面的研究较少。为了解决这一挑战，我们提出了一个知识意识聊天机三个组件，一个增强的知识图谱与三元组和文本，知识选择器，知识意识的响应生成器。对于图上的知识选择，我们将其表述为多跳图推理问题，以有效地捕获会话流，与以前的工作相比，这是更可解释和灵活的。为了充分利用将我们的图与其他图区分开来的长文本信息，我们使用机器阅读理解技术改进了最先进的推理算法。我们证明了我们的系统在两个数据集上与最先进的模型相比的有效性。
2019-09-03 cs.AI cs.CL
CSAGN: Conversational Structure Aware Graph Network for Conversational Semantic Role Labeling
City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）；City University of Hong Kong（香港城市大学）；Tencent AI Lab（腾讯AI Lab）
会话语义角色标注被认为是实现对话理解的关键步骤。然而，它仍然是一个主要的挑战，现有的CSRL解析器处理会话结构信息。在本文中，我们提出了一个简单而有效的架构CSRL，旨在解决这个问题。我们的模型是基于一个会话结构感知图网络显式编码的扬声器相关信息。我们还提出了一个多任务学习方法，以进一步改善模型。在基准数据集上的实验结果表明，我们提出的训练目标的模型显着优于以前的基线。
2021-11-04 cs.AI cs.CL cs.LG
EvalConvoLearn: An Open-Source Framework for Evaluating Grounded Learner Simulations in Tutoring Conversations
EvalConvoLearn是评估辅导对话中学习者模拟的开源框架，从学习行为与对话质量两个维度开展评估，验证了其在辅导对话数据集上的有效性并公开了代码。
2026-08-11 cs.CL cs.HC
State-Grounded Multi-Agent Synthetic Data Generation for Tool-Augmented LLMs
PayPal AI
提出StateGen平台，通过四角色LLM循环和状态管理器生成多轮、工具接地的高质量训练对话，消除工具调用幻觉，支持层次化多智能体设置。
2026-06-16 cs.AI cs.CL
Link the World: Improving Open-domain Conversation with Dynamic Spatiotemporal-aware Knowledge
Baidu Inc.（百度公司）
让聊天机器人像人类一样在对话中感知世界是一个至关重要的挑战，世界可能包含动态知识和时空状态。最近的一些进展试图将对话系统链接到静态知识库或搜索引擎，但它们不包含对话所需的所有世界信息。相反，我们提出了一种新的方法来改善对话系统使用时空感知的动态知识。我们利用服务信息作为对话系统连接世界的一种方式。该系统根据对话上下文和时空状态主动构建请求，获取服务信息，然后生成感知世界的响应。为了实现这种方法，我们收集了DuSinc，这是一个开放领域的人与人对话数据集，参与者可以访问该服务以获取对话响应所需的信息。通过自动评估和人工评估，我们发现服务信息显著提高了对话系统的一致性、信息性、真实性和可理解性，使其表现得更像人类。与没有时空感知动态知识的预训练模型相比，整体会话级别得分提高了60.87%。收集数据集和方法将是开源的。
2022-09-05 cs.AI cs.CL
A Unified Pre-training Framework for Conversational AI
Baidu Inc.（百度公司）
在这项工作中，我们探讨了PLATO-2在各种对话系统中的应用，包括开放域对话，基于知识的对话和面向任务的对话。PLATO-2最初被设计为一个开放领域的聊天机器人，通过两个阶段的课程学习进行训练。在第一阶段中，学习粗粒度的响应生成模型以适应简化的一对一映射关系。该模型适用于面向任务的会话，给定的语义映射往往是确定性的任务完成。在第二阶段中，另一个细粒度的生成模型和评估模型，进一步学习不同的响应生成和一致性估计，分别。该模型具有良好的一对多映射能力，适用于开放领域会话和基于知识的会话。对于PLATO-2的综合评估，我们参与了DSTC 9的多个任务，包括开放域对话的交互评估（Track 3-task 2），知识基础对话的静态评估（Track 3-task 1）和端到端面向任务的对话（Track 2-task 1）。PLATO-2在所有三项任务中均获得第一名，验证了其作为各种对话系统的统一框架的有效性。
2021-05-27 cs.CL
Conversing by Reading: Contentful Neural Conversation with On-demand Machine Reading
University of Washington（华盛顿大学）；Microsoft Research（微软研究院）
虽然神经会话模型在学习如何产生流利的反应方面是有效的，但它们的主要挑战在于知道该说什么才能使会话内容丰富且不空洞。我们提出了一种新的端到端的方法来实现内容丰富的神经会话，该方法联合建模响应生成和按需机器阅读。其核心思想是为会话模型提供动态的相关长文本作为外部知识的来源。该模型执行问答式的阅读理解对这个文本在每个会话的转折，从而允许更集中的外部知识的整合比以前的方法。为了支持对基于知识的会话的进一步研究，我们引入了一个新的基于外部网页的大规模会话数据集（2.8M回合，7.4M句子的接地）。人工评估和自动化指标都表明，与以前的各种方法相比，我们的方法会产生更有内容的响应，从而提高了所生成输出的信息量和多样性。
2019-06-07 cs.AI cs.CL cs.LG
Towards Harnessing Large Language Models for Comprehension of Conversational Grounding
National Institute of Advanced Industrial Science and Technology（国立先进工业科学技术研究院）；Technical University of Munich（慕尼黑工业大学）
本研究通过信息寻求对话实验，分析大语言模型在分类对话轮次和预测共识知识元素方面的能力，揭示其挑战，并提出利用流水线架构与知识库提升模型理解能力，以优化对话系统。
2024-06-03 cs.CL
SEADialogues: A Multilingual Culturally Grounded Multi-turn Dialogue Dataset on Southeast Asian Languages
MBZUAI；Mekari；Universitas Indonesia（印度尼西亚大学）；Detik Network（Detik网络）；AI Singapore（新加坡AI）；Chulalongkorn University（朱拉隆功大学）；Capital One
针对现有闲聊数据集忽略文化细微差异的问题，研究推出SEADialogues，一个涵盖东南亚六国八种低资源语言、包含角色属性与文化话题的多轮对话数据集，以推动文化感知且以人为本的大型语言模型研究。
2025-08-09 cs.AI cs.CL
CA-BED: Conversation-Aware Bayesian Experimental Design
University of California, Berkeley（加州大学伯克利分校）；University of Washington（华盛顿大学）；University of Toronto（多伦多大学）
提出对话感知的贝叶斯实验设计（CA-BED），一种推理时概率对话规划框架，通过结合贝叶斯实验设计与LLM似然估计，在多个对话轮次中优化问题选择，在结构化实体推断基准上平均成功率提升21.8%，仅增加1.8轮对话。
2026-05-31 cs.AI cs.CL
ELICITED: EHR-grounded Longitudinal Interactive Conversations for Information-seeking Triage Evaluation and Decision-making
Ellipsis Health（埃利皮西斯健康公司）；University of Michigan（密歇根大学）
该研究针对现有ED分诊基准未捕捉交互式证据引出过程的问题，提出基于MIMIC-IV-ED的EHR2Dial-Triage智能对话框架与基准，支持对信息引出等任务的受控评估，为对话式分诊研究提供结构化环境。
2026-08-11 cs.CL
Emotional Neural Language Generation Grounded in Situational Contexts
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
情感语言生成是类人人工智能的关键之一。人类使用不同类型的情感取决于谈话的情况。情绪在调节与对话伙伴的参与程度方面也起着重要作用。然而，目前的会话代理不能有效地解释语言生成过程中的情感内容。为了解决这个问题，我们开发了一种语言建模方法，当对话位于给定的上下文中时，该方法生成情感内容。我们使用最近发布的移情对话语料库来构建我们的模型。通过详细的实验，我们发现，我们的方法优于国家的最先进的方法的困惑度量约5点，并实现了更高的BLEU度量得分。
2019-11-25 cs.CL
PII-TRACE: A Benchmark for Context-Aware PII Detection in Multi-Turn LLM Conversations
Perplexity；Purdue University（普渡大学）；Rutgers University（罗格斯大学）
针对多轮对话中PII检测缺乏跨轮评估的问题，提出PII-TRACE基准和0.6B参数的PII-Tracer检测器，实现高实体级覆盖率。
2026-09-22 cs.AI cs.CL
Improving Background Based Conversation with Context-aware Knowledge Pre-selection
University of Amsterdam（阿姆斯特丹大学）
基于背景的对话（Background Based Conversations，BBCs）已经被开发以通过利用背景知识来使对话系统生成更多信息且更自然的响应。现有的BBC方法可以分为两类：基于提取的方法和基于生成的方法。前一个摘录来自背景材料，作为不一定自然的反应。后者产生的反应是自然的，但不一定有效地利用背景知识。在本文中，我们专注于基于生成的方法，并提出了一个模型，即上下文感知的知识预选择（CaKe），它引入了一个预选择过程，使用动态的双向注意，以改善知识的选择，使用的话语历史上下文作为先验信息，以选择最相关的背景材料。实验结果表明，我们的模型优于当前最先进的基线，表明它受益于预选过程，从而提高信息量和流畅性。
2019-06-16 cs.AI cs.CL
Commonsense-augmented Memory Construction and Management in Long-term Conversations via Context-aware Persona Refinement
Yonsei University（延世大学）
本文提出一种利用基于常识的画像扩展框架，通过设计的策略结合上下文背景将矛盾画像转化为包含丰富信息的句子，从而提升长期对话中的响应生成质量。
2024-02-12 cs.AI cs.CL
DyKgChat: Benchmarking Dialogue Generation Grounding on Dynamic Knowledge Graphs
National Taiwan University（台湾大学）
数据驱动的、以知识为基础的神经会话模型能够生成更多信息的响应。然而，这些模型尚未证明它们可以zero-shot适应更新的、看不见的知识图谱。本文提出了一个新的课题，即如何将动态知识图谱应用于神经会话模型，并为此提出了一个新的电视剧会话语料库（DyKgChat）。我们的新任务和语料库有助于理解动态知识图谱对响应生成的影响。此外，我们提出了一个初步的模型，选择两个网络的输出在每个时间步：序列到序列模型（Seq2Seq）和多跳推理模型，以支持动态知识图谱。为了对这个新任务进行基准测试并评估适应能力，我们引入了几个评估指标，实验表明，我们提出的方法优于以前的知识为基础的会话模型。本文提出的语料库和模型可以为今后的研究提供参考。
2019-10-01 cs.AI cs.CL
CET2: Modelling Topic Transitions for Coherent and Engaging Knowledge-Grounded Conversations
National University of Singapore（新加坡国立大学）；Bytedance（字节跳动）
本文提出 CET2 框架，通过建模有效话题转换逻辑并比较知识候选，平衡上下文连贯性与知识多样性，从而提升知识选择的准确率与跨话题泛化能力。
2024-03-04 cs.CL
Bridging Information Gaps in Dialogues With Grounded Exchanges Using Knowledge Graphs
Technical University of Munich（慕尼黑工业大学）；National Institute of Advanced Industrial Science and Technology（日本国立先进工业科学技术研究院）
本文构建五领域对话语料 BridgeKG，并基于知识图谱评估大型语言模型的接地行为分类与信息项识别能力。
2024-08-11 cs.CL
PARL-MT: Learning to Call Functions in Multi-Turn Conversation with Progress Awareness
Shanghai Jiao Tong University（上海交通大学）；LongShine AI Research（LongShine人工智能研究院）；Shanghai Innovation Institute（上海创新研究院）
PARL-MT通过进度感知生成流水线和进度感知引导的强化学习，将进度感知融入多轮函数调用训练，显著提升长程任务执行的一致性与效率。
2025-10-09 cs.AI 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
Learning to Express in Knowledge-Grounded Conversation
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）；Center for Data Science, AAIS, Peking University（北京大学人工智能研究院数据科学中心）；Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Microsoft Corporation（微软公司）；Meituan（美团）
通过额外的知识接地对话生成显示出巨大的潜力，建立一个系统，能够回答知识渊博，引人入胜的反应。现有的研究主要集中在如何用适当的知识合成一个应答，而忽略了即使在相同的语境下，同样的知识也可以由说话者以不同的方式表达。在这项工作中，我们主要考虑两个方面的知识表达，即结构的反应和风格的内容在每个部分。因此，我们引入了两个顺序的潜变量来分别代表结构和内容风格。我们提出了一个基于分割的生成模型，并通过变分方法优化模型，以发现响应中的知识表达的潜在模式。两个基准测试的结果表明，我们的模型可以学习的结构风格定义的一些例子，并产生所需的内容风格的响应。
2022-04-12 cs.CL
