Towards Learning Transferable Conversational Skills using Multi-dimensional Dialogue Modelling
Heriot-Watt University（赫瑞瓦特大学）；Interaction Lab（互动实验室）
最近的统计方法已经改进了口语对话系统的鲁棒性和可伸缩性。然而，尽管最近在领域自适应方面取得了进展，但它们对域内数据的依赖仍然限制了它们的跨域可伸缩性。在本文中，我们认为，这个问题可以通过扩展现有的模型来反映和利用人类对话的多维性来解决。我们提出了我们的多维度，统计对话管理框架，其中可转移的会话技能可以通过分离出域独立的通信维度和使用多智能体强化学习来学习。我们与模拟用户的初步实验表明，我们可以加快学习过程中学习的政策。
2018-03-31 cs.CL
Addressing Objects and Their Relations: The Conversational Entity Dialogue Model
Cambridge University Engineering Department（剑桥大学工程系）
统计口语对话系统通常依赖于单域或多域对话模型，该模型在其对复杂对话结构建模的能力方面受到限制，例如，关系在这项工作中，我们提出了一种新的对话模型，是围绕实体，并能够建模的关系，以及相同类型的多个实体。我们展示了在对话层面上的关系建模的原型实现的好处，并表明，一个训练有素的政策，使用这些关系优于多域基线。此外，我们表明，通过对对话级别上的关系建模，系统能够处理用户输入中存在的关系，甚至学会在系统响应中解决它们。
2019-01-05 cs.CL
Conversational implicatures in English dialogue: Annotated dataset
International Institute of Information Technology（国际信息技术学院）；LTRC（语言技术研究中心）
人类的对话经常包含与所使用的句子含义完全不同的话语，并且被对话者清楚地理解。但是在人机交互中，机器无法理解隐含的含义，除非它用包含话语的隐含含义以及话语和它发出的上下文的数据集进行训练。在语言学中，会话含义是说话人话语中不属于明示内容的意义。在本文中，我们介绍了一个数据集的对话片段的三个组成部分，这是上下文，话语，和隐含的意义。这些隐含的意义就是会话含义。这些话语是通过从托福（英语作为外语的考试）等英语考试的听力理解部分转录，以及从IMSDb（互联网电影剧本数据库）上的电影剧本中抓取对话来收集的。话语被手动地用含义注释。
2019-11-25 cs.CL
Contextual Dialogue Act Classification for Open-Domain Conversational Agents
Emory University（埃默里大学）
对会话中的用户话语的一般意图进行分类，也称为对话行为（DA），例如，开放式问题、意见陈述或意见请求是会话主体的自然语言理解（NLU）的关键步骤。虽然DA分类已经在人与人的对话中得到了广泛的研究，但对于新兴的开放域自动会话代理，它还没有得到充分的探索。此外，尽管话语级DA分类取得了重大进展，但对对话话语的充分理解需要会话语境。另一个挑战是缺乏开放领域人机对话的可用标记数据。为了解决这些问题，我们提出了一种新的方法，CDAC（上下文对话行为分类器），一个简单而有效的上下文对话行为分类的深度学习方法。具体来说，我们使用迁移学习来调整在人机对话中训练的模型，以预测人机对话中的对话行为。为了研究我们方法的有效性，我们在著名的Switchboard人机对话数据集上训练我们的模型，并对其进行微调，以预测人机对话数据中的对话行为，这些数据是作为Amazon Alexa Prize 2018竞赛的一部分收集的。结果表明，CDAC模型在Switchboard数据集上的表现比话语级最先进的基线高出8.0%，并且与最新报道的最先进的上下文DA分类结果相当。此外，我们的研究结果表明，微调的CDAC模型的手动标记的人机对话的小样本，使CDAC更准确地预测对话行为在真实用户的对话，建议未来的改进方向。
2020-05-28 cs.CL
On the Safety of Conversational Models: Taxonomy, Dataset, and Benchmark
Tsinghua University（清华大学）；University of California Los Angeles（加利福尼亚大学洛杉矶分校）
对话安全问题严重限制了神经会话模型在现实世界中的应用，近年来引起了广泛的研究兴趣。然而，对话安全问题仍然定义不足，相应的数据集是稀缺的。我们提出了一个专门设计用于捕获人类机器人对话设置中的不安全行为的对话安全分类法，重点关注上下文敏感的不安全性，这在以前的作品中未得到充分探讨。为了促进这一方向的研究，我们编译了DiaSafety，这是一个包含丰富的上下文敏感的不安全示例的数据集。实验表明，现有的安全防护工具在我们的数据集上严重失败。作为补救措施，我们训练对话安全分类器，为上下文敏感的对话不安全检测提供强基线。与我们的分类，我们流行的会话模型进行安全评估，并显示现有的对话系统仍然表现出有关上下文敏感的安全问题。
2022-04-04 cs.CL
Diversifying Dialogue Generation with Non-Conversational Text
Tencent Inc（腾讯公司）；MPI Informatics（马克斯·普朗克信息学研究所）；Saarland Informatics Campus（萨尔兰信息学园区）；University of Pittsburgh（匹兹堡大学）；The Hong Kong Polytechnic University（香港理工大学）
基于神经网络的序列到序列（seq2seq）模型在涉及开放域对话生成时强烈地遭受低多样性问题。由于平淡和通用的话语通常在我们日常聊天中占主导地位的频率分布，避免它们产生更有趣的反应需要复杂的数据过滤，采样技术或修改训练目标。在本文中，我们提出了一个新的视角，以多样化的对话生成利用非会话文本。与双边会话相比，非会话文本更容易获得，更多样化，涵盖的主题范围更广。我们收集了大量的非会话语料，包括论坛评论、习语和书籍片段。我们进一步提出了一个训练范例，通过迭代回译有效地将这些文本。在两个会话数据集上测试了所得到的模型，并显示出在不牺牲与上下文的相关性的情况下产生更多样化的响应。
2020-05-13 cs.CL
CALM-IT: Enhancing Synthetic Motivational Interviewing Dialogue Quality with Conversational Dynamics
Georgia Institute of Technology（佐治亚理工学院）；Northwell Health（北well健康）；Columbia University（哥伦比亚大学）
提出CALM-IT框架，通过显式建模客户与咨询师状态的演变来生成和评估长形式动机访谈对话，在8,232个合成对话语料上优于基线方法，尤其在MITI 4.2全局评分和客户接受率上表现最佳。
2026-10-15 cs.CL
Conversational Feedback in Scripted versus Spontaneous Dialogues: A Comparative Analysis
Norwegian Computing Center（挪威计算中心）；CEFC, CNRS, MEAE（CEFC、法国国家科学研究中心、法国欧洲与海外领地部）；Aix Marseille Université & CNRS（艾克斯-马赛大学、法国国家科学研究中心）；Faculty of Linguistics and Literary Studies, Bielefeld University（比勒费尔德大学语言与文学学院）
本文通过八种语言对话数据比较脚本字幕与自发对话中的交际反馈，发现字幕反馈更少且负面反馈更多，并指出大语言模型生成的对话在反馈特征上更接近脚本对话。
2024-10-03 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
DialAug: Mixing up Dialogue Contexts in Contrastive Learning for Robust Conversational Modeling
Amazon（亚马逊）
基于检索的会话系统通过计算它们的向量表示之间的相似性来学习对给定对话上下文的响应候选进行排名。然而，在多回合上下文的单个文本形式上进行训练限制了模型学习表示的能力，这些表示概括为推理期间看到的自然扰动。在本文中，我们提出了一个框架，将增强版本的对话背景下的学习目标。我们利用对比学习作为一个辅助目标，学习强大的对话上下文表示是不变的扰动注入通过增强方法。我们用四个基准对话数据集进行了实验，证明我们的框架与现有的增强方法结合得很好，并且可以显着改善基于BERT的基线排名架构。此外，我们提出了一种新的数据增强方法，ConMix，通过随机混合令牌从其他上下文中的批次添加令牌级扰动。我们表明，我们提出的增强方法优于以前的数据增强方法，并提供对话表示，更强大的常见干扰推理过程中看到的。
2022-04-15 cs.CL
User Satisfaction Estimation with Sequential Dialogue Act Modeling in Goal-oriented Conversational Systems
The Chinese University of Hong Kong（香港中文大学）
在面向目标的会话系统中，用户满意度评估是一项重要而又具有挑战性的任务。用户对系统的满意程度很大程度上取决于用户需求的满足程度，而用户需求的满足程度可以通过用户的对话行为来体现。然而，现有的研究往往忽略了对话行为的顺序转换或严重依赖于注释的对话行为标签时，利用对话行为，以促进使用。在本文中，我们提出了一个新的框架，即USDA，将连续动态的对话行为预测用户满意度，通过共同学习用户满意度估计和对话行为识别任务。具体来说，首先采用层次化的Transformer对整个对话上下文进行编码，并采用两种任务自适应的预训练策略作为第二阶段的域内预训练，以增强对话建模能力。在对话行为标签的可用性方面，我们进一步开发了USDA的两个变体，以监督或无监督的方式捕获对话行为信息。最后，美国农业部利用对话中内容和行为特征的顺序转换来预测用户满意度。在4个不同应用的目标导向对话数据集上的实验结果表明，该方法在USE上的性能明显优于现有方法，验证了对话行为序列在USE中的重要作用.
2022-02-07 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
ISO-Standard Domain-Independent Dialogue Act Tagging for Conversational Agents
University of Trento（特伦托大学）
对话行为（DA）标注对于口语语言理解系统是至关重要的，因为它提供了说话者意图的一般表示，而不受特定对话系统的约束。不幸的是，具有DA注释的公开可用数据集都基于不同的注释方案，因此彼此不兼容。此外，他们的方案往往没有涵盖开放领域人机交互所需的所有方面。在本文中，我们提出了一种方法来映射几个公开可用的语料库的ISO标准的一个子集，以创建一个大型的任务无关的训练语料库DA分类。我们展示了使用此语料库训练一个独立于域的DA标记测试它的域外的会话数据的可行性，并认为多个语料库的训练，以实现跨不同DA类别的鲁棒性的重要性。
2018-06-12 cs.CL
Dialogue Act Modeling for Automatic Tagging and Recognition of Conversational Speech
我们描述了一种用于对会话语音中的对话行为进行建模的统计方法，即，类似言语行为的单元，如陈述、问题、反向通道、同意、不同意和道歉。我们的模型检测和预测的基础上的词汇，搭配，韵律线索，以及对话行为序列的话语连贯性的对话行为。对话模型是基于治疗会话的话语结构作为一个隐藏的马尔可夫模型和个人的对话行为的观察，从模型的状态。通过对话行为n-gram对可能的对话行为序列进行约束建模，将统计对话语法与单词n-gram、决策树和神经网络相结合，对每个对话行为的特殊词汇和韵律表现进行建模。我们开发了一个概率集成的语音识别与对话建模，以提高语音识别和对话行为分类的准确性。使用来自自发的人对人电话语音的Switchboard语料库的1，155个会话的大型手动标记数据库来训练和评估模型。我们实现了良好的对话行为标记准确率（65%基于错误，自动识别的单词和韵律，71%基于单词成绩单，相比之下，机会基线准确率为35%，人类准确率为84%）和单词识别错误的小幅减少。
2000-10-26 cs.CL
The timing bottleneck: Why timing and overlap are mission-critical for conversational user interfaces, speech recognition and dialogue systems
Centre for Language Studies（语言研究中心）；Radboud University（拉德堡德大学）
该研究指出时序是对话系统的关键要素，通过评估5款商用ASR系统发现6种语言会话语料词错误率差、说话人重叠影响大，且会波及下游意图识别，为会话式语音技术优化指明方向。
2023-07-28 cs.CL
Retrieval-Augmented Dialogue Knowledge Aggregation for Expressive Conversational Speech Synthesis
Inner Mongolia University（内蒙古大学）；The Chinese University of Hong Kong（香港中文大学）
针对现有对话语音合成忽略存储对话中风格知识的问题，提出RADKA-CSS方案，通过多属性检索匹配相似存储对话、多粒度图编码与多源知识聚合利用风格信息，在DailyTalk数据集上表现力优于基线模型。
2025-01-11 cs.CL
KoDialogBench: Evaluating Conversational Understanding of Language Models with Korean Dialogue Benchmark
Scatter Lab
本文提出 KoDialogBench 韩语对话基准，通过原生与翻译对话构建理解和响应选择数据集，评估多种语言模型并揭示其能力短板及训练技术的效果。
2024-06-17 cs.CL
DiSCoL: Toward Engaging Dialogue Systems through Conversational Line Guided Response Generation
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；Columbia University（哥伦比亚大学）；University of California Los Angeles（加州大学洛杉矶分校）
与用户进行有吸引力和信息量的对话是开放域对话系统的最终目标。基于transformer的语言模型及其在对话系统中的应用的最新进展已经成功地产生了流畅的和类似人类的响应。然而，他们仍然缺乏对生成过程的控制，以生成内容丰富的响应并实现引人入胜的对话。为了实现这一目标，我们提出了\textbf{DiSCoL}（\textbf{Di}通过\textbf{Co}功能性\textbf{L}行引导反应生成的\textbf{S}系统）。DiSCoL是一个开放领域的对话系统，利用会话线（简称\textbf{convlines}）作为可控和信息内容规划元素，以指导生成模型产生引人入胜和信息丰富的响应。DiSCoL管道中的两个主要模块是条件生成器，用于1）预测对话上下文的相关和信息性convlines，以及2）根据预测的convlines生成高质量的响应。用户还可以将返回的convlines更改为\textit{control}，使对话的方向朝向他们更感兴趣的主题。通过自动和人工评估，我们证明了convlines在产生引人入胜的对话中的效率。
2021-02-03 cs.CL
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
DocTalk: Scalable Graph-based Dialogue Synthesis for Enhancing LLM Conversational Capabilities
Nanyang Technological University（南洋理工大学）；Amazon（亚马逊）
针对LLM预训练数据与多轮对话能力不匹配的问题，提出基于图的对话合成流水线，构建DocTalk语料库，预训练后上下文记忆和理解提升达40%。
2025-07-08 cs.CL
Supporting Student Decisions on Learning Recommendations: An LLM-Based Chatbot with Knowledge Graph Contextualization for Conversational Explainability and Mentoring
University of Siegen（锡根大学）
本文提出基于 LLM 的学习推荐解释聊天机器人，利用知识图谱约束生成，并通过群聊接入人类导师，用户研究验证了其概念可行性与局限。
2024-01-24 cs.AI cs.CL cs.HC
Multi-View Sequence-to-Sequence Models with Conversational Structure for Abstractive Dialogue Summarization
Georgia Institute of Technology（佐治亚理工学院）；School of Interactive Computing（交互计算学院）
文本摘要是自然语言处理中最具挑战性和最有趣的问题之一。虽然很多注意力都集中在总结结构化的文本，如新闻报道或百科全书文章，总结对话-人-人/机交互的重要组成部分，其中最重要的信息分散在不同说话者的各种话语中-仍然相对不足。本文提出了一种多视图序列到序列模型，首先从不同视图中提取非结构化日常聊天的会话结构来表示会话，然后利用多视图解码器合并不同视图来生成会话摘要。在大规模对话摘要语料库上的实验表明，我们的方法通过自动评估和人工判断，显着优于以前的最先进的模型。我们还讨论了目前的方法在这项任务中面临的具体挑战。我们已在https://github.com/GT-SALT/Multi-View-Seq2Seq上公开发布了我们的代码。
2020-10-04 cs.CL
Alquist 3.0: Alexa Prize Bot Using Conversational Knowledge Graph
Faculty of Electrical Engineering, 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、机器人学和控制论研究所）
在Alexa Prize 2020竞赛中开发的开放域对话系统Alquist的第三个版本旨在就流行话题进行连贯和引人入胜的对话。主要的新贡献是引入了一个系统，利用基于会话知识图谱和邻接对的创新方法。会话知识图谱允许系统在随后的回合中和跨会话利用在对话期间表达的知识。对话邻接对将对话划分为小的对话结构，这些对话结构可以组合，并允许系统灵活地对各种用户输入做出反应。我们讨论和描述Alquist的管道，数据采集和处理，对话管理器，NLG，知识聚合，和层次结构的邻接对。我们提出的系统的各个部分的实验结果。
2020-11-06 cs.CL
Grounded Agreement Games: Emphasizing Conversational Grounding in Visual Dialogue Settings
University of Potsdam（波茨坦大学）；Department of Linguistics（语言学系）；Computational Linguistics（计算语言学）
计算语言学中关于对话的早期工作非常强调对话结构及其与对话参与者心理状态的关系（例如，Allen 1979，Grosz & Sidner 1986），目前的工作主要是将对话简化为在任何时候产生下一个话语的任务;例如，在神经聊天机器人或视觉对话设置中。作为一个方法论的决定，这是合理的：即使是最长的旅程也是一系列步骤。然而，当学习对话行为的任务和数据集过于适应问题的框架时，它就变得有害了。在这个简短的说明中，我们描述了一系列仍然允许保持对话简单的设置，但增加了一个约束，使参与者关心达成相互理解。在这种协议游戏中，除了任务层面的目标之外，还有一个次要但明确的目标，那就是就任务层面的目标是否已经达到达成共识。正如我们所认为的，这自然会触发元语义交互和相互参与，从而导致更丰富的数据，从中归纳模型。
2019-08-29 cs.CL
A Computational Approach to Modeling Conversational Systems: Analyzing Large-Scale Quasi-Patterned Dialogue Flows
Software Engineering and Mathematics Department（软件工程与数学系）；National Institute of Applied Science and Technology（应用科学和技术国家研究院）；Computer Science Department（计算机科学系）；University of Tunis El Manar（突尼斯艾尔曼纳大学）
本文提出一种基于大语言模型和Filter & Reconnect图简化技术的对话图建模方法，用于分析准模式化对话流，使语义指标S提升2.06倍并实现0 δ-双曲率的树状结构，可应用于聊天机器人监控和用户行为分析。
2025-07-17 cs.CL
Towards leveraging latent knowledge and Dialogue context for real-world conversational question answering
University of Amsterdam（阿姆斯特丹大学）；Utrecht University（乌得勒支大学）
在许多现实世界的场景中，缺乏像维基百科这样的外部知识源限制了问答系统依赖于有限对话数据中的潜在内部知识。此外，人类经常通过问几个问题来寻求答案，以获得更全面的信息。随着对话变得越来越广泛，机器面临着参考以前的对话回合来回答问题的挑战。在这项工作中，我们建议通过神经检索阅读系统利用现有会话日志中的潜在知识，通过基于TFIDF的文本摘要器改进冗长的会话历史以缓解长上下文问题。我们的实验表明，我们的检索阅读系统可以利用检索到的背景知识，以产生显着更好的答案。结果还表明，我们的上下文摘要显着帮助检索者和读者介绍更简洁，更少的噪音上下文信息。
2022-12-17 cs.CL
Multimodal Contextual Dialogue Breakdown Detection for Conversational AI Models
Infinitus Systems, Inc.（无限系统公司）
针对对话AI系统的实时对话故障检测需求，尤其是医疗等行业场景的高精度高灵活要求，本文提出融合音频输入与下游NLP文本推理的MultConDB多模态模型，其F1值达69.27，显著优于现有最优模型。
2024-04-11 cs.CL
Enhancing Personality Recognition in Dialogue by Data Augmentation and Heterogeneous Conversational Graph Networks
Graduate School of Informatics, Kyoto University（京都大学情报学研究科）；NICT（信息通信研究机构）；rinna Co., Ltd.（rinna公司）
针对对话人格识别中语料说话者少、对话依赖关系建模难的问题，提出人格特质插值数据增强法与异质对话图网络，在RealPersonaChat语料上效果显著优于现有基线。
2024-03-08 cs.CL
Towards Scalable Multi-domain Conversational Agents: The Schema-Guided Dialogue Dataset
Google Research（谷歌研究院）
Google Assistant、Alexa和Siri等虚拟助理为跨多个域的大量服务和API提供对话界面。这样的系统需要支持不断增加的服务数量，这些服务可能具有重叠的功能。此外，这些服务中的一些服务几乎没有可用的训练数据。现有的面向任务的对话的公共数据集不足以捕捉这些挑战，因为它们覆盖几个领域，并假设每个域的一个静态本体。在这项工作中，我们介绍了模式引导对话（SGD）数据集，包含超过16k的多域会话跨越16个域。我们的数据集在规模上超过了现有的面向任务的对话语料库，同时也突出了与构建大规模虚拟助手相关的挑战。它为许多任务提供了一个具有挑战性的测试平台，包括语言理解、槽填充、对话状态跟踪和响应生成。沿着同样的思路，我们提出了一个模式引导的范式为任务导向的对话，其中预测的意图和插槽，作为输入，使用他们的自然语言描述的动态设置。这允许单个对话系统容易地支持大量服务，并且便于新服务的简单集成，而不需要额外的训练数据。基于所提出的范例，我们发布了一个对话状态跟踪模型，能够zero-shot推广到新的API，同时在常规设置中保持竞争力。
2020-01-29 cs.CL
Fine-grained Conversational Decoding via Isotropic and Proximal Search
City University of Hong Kong（香港城市大学）
针对对话解码未被充分探索的问题，提出各向同性与邻近搜索（IPS）方法，生成语义集中且保持信息量和区分度的回复，实验证明其优于现有解码策略。
2023-11-15 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
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
Unified Conversational Models with System-Initiated Transitions between Chit-Chat and Task-Oriented Dialogues
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Ulm University（乌尔姆大学）；University of Bamberg（班贝格大学）
本文提出两种提示模型（离散与连续），在统一对话模型中主动生成过渡句，实现闲聊与任务导向对话之间由系统发起的模式切换，并支持多领域任务导向场景下的主动领域转换。
2023-07-04 cs.CL
CoReflect: A Reflective Co-Evolution Framework for Improving Conversational Evaluation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
CoReflect通过共进化模拟与反思性评分表细化，实现对话系统的自适应评估，提升测试用例复杂性和评分表精度。
2026-09-01 cs.CL
Hybrid Code Networks using a convolutional neural network as an input layer achieves higher turn accuracy
Czech Technical University（捷克技术大学）
会话管理是会话式人工智能的一项任务。对话管理器的目标是根据输入消息和最近的对话状态选择对对话伙伴的适当响应。混合代码网络是对话管理器的一种模型，它使用平均词嵌入和词袋作为输入特征。我们在对话bAbI任务6和Alquist会话数据集上进行了实验。实验表明，将卷积神经网络作为混合编码网络的输入层，提高了模型的转弯精度。
2019-07-28 cs.CL
Deep Reinforcement Learning for Dialogue Generation
Stanford University（斯坦福大学）；Ohio State University（俄亥俄州立大学）；Microsoft Research（微软研究院）
最近的对话生成神经模型为会话代理生成响应提供了很大的希望，但往往是短视的，一次预测一个话语，而忽略了它们对未来结果的影响。对对话的未来方向进行建模对于生成连贯、有趣的对话至关重要，这一需求导致传统的NLP对话模型借鉴了强化学习。在本文中，我们展示了如何整合这些目标，应用深度强化学习来模拟聊天机器人对话中的未来奖励。该模型模拟了两个虚拟代理之间的对话，使用策略梯度方法奖励序列，显示三个有用的会话属性：信息性（非重复性回合），连贯性和易于回答（相关的前瞻性功能）。我们评估我们的模型的多样性，长度以及与人类法官，表明该算法产生更多的互动响应，并设法培养一个更持久的对话模拟。这项工作标志着学习基于对话长期成功的神经会话模型的第一步。
2016-09-29 cs.CL
Polite Emotional Dialogue Acts for Conversational Analysis in Daily Dialog Data
University of Hamburg（汉堡大学）；Foviatech GmbH（Foviatech 有限公司）
会话分析中使用了许多社会语言线索，如情感、情绪和对话行为。礼貌是一种基本的社会线索，它在语言学上具有对会话分析有用的属性。这篇简短的文章介绍了礼貌的情感对话行为的一些简短的发现，在那里我们可以将这些社会语言学线索之间的关系联系起来。我们发现，情绪类别为愤怒和厌恶的话语更可能是不礼貌的，而快乐和悲伤的话语更可能是礼貌的。在对话行为中也存在类似的现象，Inform和Commissioner比Question和Directive含有更多的礼貌话语。最后，我们将对这些研究结果的未来工作进行总结。
2021-12-28 cs.CL cs.HC
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
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
Multi-stage Clarification in Conversational AI: The case of Question-Answering Dialogue Systems
National Bank Of Canada（加拿大国家银行）
澄清解析在诸如交互式问答和会话式搜索的各种信息检索任务中起着重要作用。在这样的上下文中，用户经常将他们的信息需求表述为简短且模糊的查询，一些流行的搜索界面然后提示用户确认她的意图（例如，“你的意思是...... ?“），或在必要时重新措辞。当涉及到对话系统时，流畅的用户-机器人交流是良好用户体验的关键。在没有这种澄清机制的情况下，向用户给出以下响应之一：1）直接回答，如果意图不清楚，则可能是不相关的，2）通知用户检索工具不能处理查询的通用回退消息。这两种情况都可能引起挫折感并降低用户体验。为此，我们提出了一个多阶段的澄清机制，提示澄清和查询选择的上下文中的问答对话系统。我们表明，我们提出的机制提高了整体用户体验，并优于竞争基线与两个数据集，即公共范围内的范围外的数据集和商业数据集的基础上，真正的用户日志。
2021-10-28 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
Conversational Response Re-ranking Based on Event Causality and Role Factored Tensor Event Embedding
Nara Institute of Science and Technology（奈良先端科学技术大学院大学）；PRESTO Japan Science Technology Agency（日本科学技术振兴机构PRESTO项目）
我们提出了一种新的方法来选择一个给定的对话上下文的连贯性和多样性的反应。所提出的方法通过使用对话历史中的事件与响应候选之间的事件因果关系（例如，"be stressed out“（强调）先于”relieve stress“（减轻压力）。我们使用分布式事件表示的基础上的角色因子张量模型的事件因果关系，由于有限的事件因果关系的知识系统的一个强大的匹配。实验结果表明，该方法提高了系统响应的一致性和对话的连续性。
2019-06-24 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
Generating Challenge Datasets for Task-Oriented Conversational Agents through Self-Play
The State University of New York（纽约州立大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
端到端神经方法在会话场景中变得越来越普遍，因为当提供足够量的数据时，它们具有良好的性能。在本文中，我们提出了一种新的方法来解决神经方法在这种情况下的可解释性，通过使用多个任务/意图的对话自我发挥来创建挑战数据集。对话自我发挥允许产生大量的合成数据，通过利用完全控制的生成过程中，我们展示了如何神经方法可以评估看不见的对话模式。我们提出了几个模式外的测试用例，其中每一个都引入了一个自然的和意想不到的用户话语现象。作为概念的证明，我们建立了一个单一的和多个内存网络，并表明这两个架构有不同的性能取决于独特的对话模式。
2019-10-16 cs.CL
Conversational Semantic Role Labeling
Tencent AI Lab（腾讯AI实验室）；City University of Hong Kong（香港城市大学）
语义角色标注（SRL）旨在提取输入句子中每个谓词的论元。传统的语义关联语言只适用于单个句子，而省略和回指在对话中频繁出现，因此无法分析对话。为了解决这个问题，我们提出了会话SRL任务，其中一个参数可以是对话参与者，对话历史中的一个短语或当前句子。由于现有的SRL数据集是在句子层面上，我们手动注释了3,000个聊天对话（27,198句）的语义角色，以推动这一方向的研究。实验表明，虽然传统的SRL系统（即使在共指消解或重写的帮助下）在分析对话时表现不佳，但对对话历史和参与者进行建模大大有助于提高性能，这表明将SRL应用于对话是非常有希望的。我们将CSRL应用于两个主流会话任务，对话反应生成和对话语境重写的初步研究也证实了CSRL的有用性。
2021-04-11 cs.AI cs.CL
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
Dialogue Act Segmentation for Vietnamese Human-Human Conversational Texts
Thainguyen University (TNU)（太原大学（TNU））；University of Information and Communication Technology（信息与通信技术学院）；Vietnam National University, Hanoi (VNU)（河内越南国家大学（VNU））；University of Engineering and Technology（工程技术学院）
对话行为识别在会话理解中起着重要的作用。它已被广泛应用于对话系统、自动机器翻译、自动语音识别等领域，尤其适用于虚拟助手、聊天机器人等具有人机自然语言对话界面的系统。识别对话行为的第一步是识别话语中对话行为的边界。在本文中，我们专注于分割的话语根据对话行为的边界，即功能段识别，越南语的话语。我们仔细研究了两种方法中的功能段识别：（1）使用最大熵（ME）和条件随机场（CRF）的机器学习方法;（2）使用带有CRF层的双向长短期记忆（LSTM）的深度学习方法（Bi-LSTM-CRF）在两个不同的会话数据集上进行了测试：（1）Facebook消息（消息数据）;（2）电话对话的转录（电话数据）。据我们所知，这是第一个将基于深度学习的方法应用于对话行为分割的工作。结果表明，与传统的机器学习方法相比，深度学习方法的性能明显更好。此外，这也是第一个研究解决越南语的对话行为和功能段识别。
2017-08-16 cs.CL
UniConv: A Unified Conversational Neural Architecture for Multi-domain Task-oriented Dialogues
Singapore Management University（新加坡管理大学）；Salesforce Research Asia（Salesforce亚洲研究院）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）
建立一个端到端的会话代理多领域的面向任务的对话一直是一个开放的挑战，主要有两个原因。首先，跟踪多个域的对话状态是不平凡的，因为对话代理必须从所有相关域获得完整的状态，其中一些可能具有域之间的共享槽以及仅针对一个域的唯一槽。其次，对话代理还必须处理跨域的各种类型的信息，包括对话上下文、对话状态和数据库，以生成对用户的自然响应。与现有的通常被设计为单独训练每个模块的方法不同，我们提出了“UniConv”--一种用于多领域面向任务的对话中的端到端会话系统的新型统一神经架构，其被设计为联合训练（i）通过独立地在槽和域级别学习信号来跟踪对话状态的双层状态跟踪器，以及（ii）联合对话行为和响应生成器，其合并来自各种输入组件的信息并且同时对对话行为和目标响应进行建模。我们在MultiWOZ2.1基准测试中进行了对话状态跟踪、上下文到文本和端到端设置方面的全面实验，实现了优于竞争基准的性能。
2020-11-15 cs.CL cs.LG
SDARE-Bench: Evaluating Large Language Models on Conversational Stigma Detection and Response in Dyadic and Group Dialogue
Monash University（莫纳什大学）；University of Liverpool（利物浦大学）；University of Edinburgh（爱丁堡大学）；Federation University（联邦大学）；Orygen, The University of Melbourne（墨尔本大学下属Orygen机构）
研究人员构建首个场景式基准SDARE-Bench，评估8个LLMs在二元与群体对话中的污名检测和响应能力，发现LLMs对污名识别差、群体场景污名表达率达97.5%，污名响应是其安全漏洞。
2026-09-02 cs.CL
Curriculum-Driven Edubot: A Framework for Developing Language Learning Chatbots Through Synthesizing Conversational Data
Columbia University（哥伦比亚大学）；Zhejiang University（浙江大学）；University of Science and Technology of China（中国科学技术大学）
本文提出 Curriculum-Driven EduBot 框架，从教材提取主题并用 LLM 合成对话、微调开源模型，实验表明其在课程引导和适配英语水平方面优于 ChatGPT。
2024-08-03 cs.CL
GraphWOZ: Dialogue Management with Conversational Knowledge Graphs
University of Bamberg（班贝格大学）；Norwegian Computing Center（挪威计算中心）
我们提出了一种新的对话管理方法，使用会话知识图谱作为对话状态的核心表示。为此，我们引入了一个新的数据集，GraphWOZ，它包括向导的奥兹对话，其中人类参与者与机器人作为接待员进行交互。与大多数现有的对话管理工作相比，GraphWOZ依赖于一个明确表示为动态知识图谱的对话状态，而不是一组固定的插槽。该图由不同数量的实体（如个人、地点、事件、话语和提及）以及它们之间的关系（如人是团体的一部分或参加活动）组成。然后根据新的观察结果和系统动作定期更新该图。GraphWOZ与详细的手动注释一起发布，这些注释与用户意图、系统响应以及用户和系统回合中发生的参考关系有关。基于GraphWOZ，我们提出了两个对话管理任务，即会话实体链接和响应排名的实验结果。对于会话实体链接，我们展示了如何将话语提及连接到知识图谱中的相应实体，该知识图谱具有依赖于基于字符串和基于图形的特征的组合的神经模型。然后，通过将图的相关内容汇总为文本来执行响应排名，该文本与对话历史连接并用作输入以对给定对话状态的可能响应进行评分。
2022-11-23 cs.AI cs.CL
Probing the Robustness of Trained Metrics for Conversational Dialogue Systems
Zurich University of Applied Sciences (ZHAW)（苏黎世应用科学大学）
本文介绍了一种对抗性的方法来压力测试训练指标，以评估会话对话系统。该方法利用强化学习来找到从训练的度量中得出最佳分数的响应策略。我们应用我们的方法来测试最近提出的训练指标。我们发现，他们都很容易给相对简单和明显有缺陷的策略所产生的反应，我们的方法收敛高分。例如，简单地复制对话上下文的一部分，以形成一个响应产生竞争力的分数，甚至优于人类写的响应。
2022-02-28 cs.AI cs.CL
Agentic-DuplexGen: Decoupling Content, Timing, and Acoustics for Synthetic Dialogue Speech
Institute of Science Tokyo（科学东京大学）；Hokkaido University（北海道大学）
DuplexGen框架通过解耦对话的内容、时序与声学，生成更贴近真实对话的合成语音，构建了带多类标注的医患对话语料库，性能优于传统拼接式合成方法。
2026-08-25 cs.CL eess.AS
DialSim: A Dialogue Simulator for Evaluating Long-Term Multi-Party Dialogue Understanding of Conversational Agents
KAIST（韩国科学技术院）；SNU（釜山大学）
针对现有对话智能体评估忽视多方对话与长期依赖的问题，提出DialSim模拟评估框架及LongDialQA数据集，发现大上下文或RAG模型仍难以保持长期多方理解，凸显更真实基准的必要性。
2025-09-26 cs.AI cs.CL
