A Vietnamese Text-Based Conversational Agent
Faculty of Information Technology University of Engineering
本文介绍了一个越南语基于文本的会话代理架构的特定知识领域，这是集成在一个问答系统。当问答系统无法对用户的输入提供答案时，我们的会话代理可以介入与用户交互以向用户提供答案。实验结果是有希望的，我们的越南语基于文本的会话代理实现了积极的反馈，在大学学术监管领域进行的研究。
2019-11-26 cs.CL
An Integrative Survey on Mental Health Conversational Agents to Bridge Computer Science and Medical Perspectives
University of Pennsylvania（宾夕法尼亚大学）；New York University（纽约大学）
本文通过PRISMA框架系统综述了534篇跨计算机科学与医学的心理健康对话智能体论文，揭示了两领域在方法上的差异，并提出促进跨学科发展的建议。
2023-10-25 cs.AI cs.CL
Benchmarking the Benchmarks: Evaluating Benchmarks for Conversational Agents
该研究针对对话智能体基准质量评估不足的问题，提出基于LLM评判员的无参考评估框架，可区分基准质量等级，适用于合成与人工整理的基准，验证了其有效性与实用性。
2026-08-07 cs.AI 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
A Conversational Agent System for Dietary Supplements Use
University of Minnesota（明尼苏达大学）；University of Florida（佛罗里达大学）
膳食补充剂（DS）已被消费者广泛使用，但围绕DS的功效和安全性的信息是不同的或不完整的，从而为消费者有效地找到信息创造了障碍。会话代理（CA）系统已被应用到医疗保健领域，但没有这样的系统来回答消费者关于DS的使用，虽然DS的广泛使用。在本研究中，我们开发了第一个用于DS的CA系统
2021-05-10 cs.AI cs.CL cs.HC
Open-Domain Conversational Agents: Current Progress, Open Problems, and Future Directions
Facebook AI Research
我们提出了我们的观点，什么是必要的，以建立一个引人入胜的开放域会话代理：覆盖这样一个代理的质量，到目前为止已经建成的拼图的碎片，以及我们还没有填补的漏洞。我们提出了一个有偏见的观点，专注于我们自己的小组所做的工作，同时引用每个领域的相关工作。特别是，我们详细讨论了持续学习的属性，提供引人入胜的内容，并表现良好-以及如何衡量提供它们的成功。最后，我们讨论了我们的经验和教训，以及我们对社区的建议。
2020-07-13 cs.AI cs.CL
RuleMem: Active Rule Memory for Long-Term Conversational Agents
Sun Yat-sen University（中山大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Shenzhen Institute of Computing Sciences（深圳计算科学研究院）；The Hong Kong Polytechnic University（香港理工大学）；Tsinghua University（清华大学）
针对长期对话智能体记忆机制的被动性局限，提出RuleMem规则记忆框架，通过归纳逻辑规则指导推理，在LoCoMo基准上较14个基线实现最高准确率，相对提升54.3%。
2026-09-04 cs.CL cs.IR
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
SGMem: Sentence Graph Memory for Long-Term Conversational Agents
Huawei Technologies Co., Ltd（华为技术有限公司）
SGMem通过句子图记忆在分块单元内建模对话关联，结合原始对话与生成记忆，提升长期对话问答的准确率，在LongMemEval和LoCoMo上优于强基线。
2025-09-25 cs.CL cs.IR
Bootstrapping Conversational Agents With Weak Supervision
IBM Watson（IBM沃森）；IBM Research AI（IBM研究院人工智能部门）
当今市场上的许多会话代理遵循标准的机器人开发框架，该框架需要训练意图分类器来识别用户输入。创建一组合适的训练样本的需求通常是开发过程中的瓶颈。在许多情况下，代理开发人员可以访问历史聊天日志，这些日志可以提供大量的训练样本。然而，用数十到数百个意图标记它们的成本通常会阻止充分利用这些聊天日志。在本文中，我们提出了一个框架称为\textit{search, label, and propagate}（SLP）的引导意图从现有的聊天日志使用弱监督。该框架通过使用搜索引擎查找示例，将数小时到数天的标记工作减少到几分钟的工作，然后依靠数据编程方法自动扩展标签。我们报告的用户研究，显示积极的用户反馈，这种新的方法来建立对话代理，并证明了使用数据编程自动标记的有效性。虽然该系统是为训练会话代理而开发的，但该框架在显着减少训练文本分类器的标记工作方面具有更广泛的应用。
2018-12-14 cs.AI cs.CL
Conversational Recommendation System with Unsupervised Learning
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）；Rulai Inc.（Rulai公司）
我们将演示一个会话式产品推荐代理。这个系统展示了我们如何将个性化推荐系统的研究与对话系统的研究相结合来构建一个虚拟销售代理。基于我们开发的新深度学习技术，虚拟代理能够学习如何与用户交互，如何回答用户问题，下一个问题是什么，以及在与人类用户聊天时推荐什么。通常，一个特定领域的下降会话代理需要成千上万的手工标记的会话数据或手写规则。这是为新域启动会话代理时的主要障碍。我们将探索和演示学习解决方案的有效性，即使没有手写的规则或手工标记的训练数据。
2016-09-22 cs.CL cs.IR cs.LG
ADVISER: A Toolkit for Developing Multi-modal, Multi-domain and Socially-engaged Conversational Agents
University of Stuttgart（斯图加特大学）
我们提出了ADVISER -一个开源的，多域的对话系统工具包，使开发多模态（包括语音，文本和视觉），社会参与（如情感识别，参与度预测和反向通道）会话代理。我们的工具包的最终基于Python的实现是灵活的，易于使用，易于扩展，不仅适用于技术经验丰富的用户，如机器学习研究人员，而且适用于技术经验较少的用户，如语言学家或认知科学家，从而为协作研究提供了一个灵活的平台。开源代码链接：https://github.com/DigitalPhonetics/adviser
2020-05-04 cs.AI cs.CL
A Survey of Personality, Persona, and Profile in Conversational Agents and Chatbots
University of Essex（埃塞克斯大学）
本文综述了神经对话智能体中的个性研究，定义了个性、人设与画像，梳理了相关方案、21个数据集、体现方法及模型，并指出了该新兴领域的研究挑战。
2023-12-31 cs.AI cs.CL
Clarify User Expertise: Towards Proactive Conversational Agents Tailoring Responses to User Proficiency
School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院）；Institute of Data Science, National University of Singapore（新加坡国立大学数据科学研究所）；College of Computer Science, Sichuan University（四川大学计算机学院）
本研究针对现有对话智能体无法仅通过查询判断用户专业能力的缺陷，提出PASSING方法，通过LLM自博弈生成的询问策略主动明确用户专业能力，以调整响应提升用户理解，实验显示该方法具有优越性。
2026-08-27 cs.AI cs.CL
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
DUMA: a Dual-Mind Conversational Agent with Fast and Slow Thinking
Beike Inc.（贝壳公司）
受人类认知双过程理论启发，提出DUMA双思维对话智能体框架，通过快慢思考两个LLM协作，根据响应复杂度动态切换，平衡了效率与有效性，在房地产行业在线咨询任务上显著优于基线。
2023-11-24 cs.AI cs.CL
The Rapidly Changing Landscape of Conversational Agents
College of Information and Computer Sciences University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院）
会话代理已经变得无处不在，从帮助预订的目标导向系统到现代虚拟助理中的聊天模型。在这篇调查论文中，我们探索了这个迷人的领域。我们看看一些定义该领域的开创性工作，并逐渐转向当前最先进的模型。我们研究了基于统计、神经、生成对抗网络和基于强化学习的方法以及它们是如何发展的。一路上，我们讨论了该领域面临的各种挑战，缺乏语境的话语，没有一个很好的量化指标来比较模型，缺乏信任的代理，因为他们没有一个一致的角色等，我们结构本文的方式，回答这些相关的问题，并讨论竞争的方法来解决这些问题。
2018-03-24 cs.AI cs.CL
A Practical Approach for Building Production-Grade Conversational Agents with Workflow Graphs
Kakao
针对LLM概率特性导致的灵活对话与服务约束冲突，本文提出基于工作流图的电商对话智能体实践方案，通过详细优化策略弥合学术与工业应用差距，实现可扩展、可控且可靠的AI智能体框架。
2025-05-29 cs.AI cs.CL
When Users Don't Ask: Benchmarking Context-Driven Memory Retrieval in Conversational Agents
National Taiwan University（台湾大学）
该研究针对对话智能体的记忆检索，构建了LOCOMO-CONV基准，发现对话式查询会暴露问答基准未察觉的检索差距，且检索能力与响应质量不完全相关，为记忆系统优化提供了方向。
2026-09-23 cs.AI cs.CL
Conversational Agents and Children: Let Children Learn
Boise State University（博伊西州立大学）；TU Delft（代尔夫特理工大学）
使用在线信息发现作为一个案例研究，在这个立场文件中，我们讨论了需要设计，开发和部署（会话）代理，可以-非侵入性-引导儿童在他们寻求在线资源，而不是简单地为他们寻找资源。我们认为，代理应该“让孩子们学习”，并应建立一个教师促进者的功能，让孩子们发展他们的技术和批判性思维能力，因为他们与各种技术在广泛的用例进行交互。
2023-02-23 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
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
Designing Style Matching Conversational Agents
University of Washington（华盛顿大学）；University of Southern California（南加州大学）；Microsoft Research（微软研究院）
机器智能的进步使会话界面成为可能，这些界面有可能从根本上改变人类与机器交互的方式。然而，即使这些代理人的能力取得了进展，在自然互动的能力方面仍然存在严重差距。一个限制是，代理人的行为往往是单调的，不适应他们的合作伙伴。我们建立了两个端到端的会话代理：一个基于语音的代理，可以进行自然主义的，多回合的对话，并与对话者的会话风格保持一致，以及第二个，表达性，体现会话代理（ECA），可以在开放式对话中识别人类行为，并自动将其响应与另一方的视觉和会话风格保持一致。具体化的会话代理利用多模态输入来产生丰富且感知上有效的声音和面部响应（例如，假唱和表情）。基于一组用户研究的实证结果，我们强调了在建立这样的系统中的几个重大挑战，并为未来的研究提供了使用风格适应的多轮对话交互的设计准则。
2019-10-16 cs.CL cs.HC cs.LG
Coral: An Approach for Conversational Agents in Mental Health Applications
Pune Institute of Computer Technology（浦那计算机技术学院）
有些人可能很难在心理健康专家面前敞开心扉，分享他们的想法和感受。对于那些更容易使用虚拟代理的人来说，会话代理可以作为正确方向的中间步骤。因此，会话代理必须具有同理心，能够进行自由流动的会话。为此，我们提出了一种方法来创建一个生成移情开放域聊天机器人，可用于心理健康应用程序。我们利用大规模的预训练和移情会话数据，使响应在本质上更具移情性，并采用多轮对话安排来保持上下文。我们的模型在移情对话测试集上取得了最先进的结果。
2021-11-16 cs.CL
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
Toward Continual Learning for Conversational Agents
Microsoft Research（微软研究院）
虽然端到端神经会话模型在减少手工制作的功能和传统复杂系统架构引起的错误方面取得了可喜的进展，但由于缺乏模块化，它们通常需要大量的数据。以前的研究采用了混合的方法，以知识为基础的组件，要么抽象出特定领域的信息，或增加数据，以涵盖更多样化的模式。相反，我们建议使用神经模型持续学习空间的最新发展来直接解决这个问题。具体来说，我们采用了一个独立于域的神经会话模型，并引入了一种新的神经持续学习算法，该算法允许会话代理以数据有效的方式在不同的任务中积累技能。据我们所知，这是将持续学习应用于会话系统的第一项工作。我们验证了我们的方法的有效性，通过会话技能转移，无论是合成对话或人与人的对话，人机对话中的客户支持域。
2018-01-09 cs.AI cs.CL cs.HC
Studying the Effects of Cognitive Biases in Evaluation of Conversational Agents
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
人类经常与会话代理人互动。通过神经网络的生成语言建模的快速发展有助于促进智能会话代理的创建。研究人员通常通过众包判断来评估他们的模型的输出，但没有建立进行此类研究的最佳实践。此外，目前还不清楚决策中的认知偏见是否会影响众包工作者在承担这些任务时的判断。为了进行调查，我们与77名众包工作人员进行了一项受试者间研究，以了解认知偏见的作用，特别是锚定偏见，当人类被要求评估会话代理的输出时。我们的研究结果提供了深入了解如何最好地评估会话代理。我们发现，在两个实验条件下，评级的一致性增加可能是锚定偏差的结果。我们还确定，外部因素，如时间和以前的经验，在类似的任务有影响的评分员之间的一致性。
2020-02-26 cs.CL cs.HC
Measuring Conversational Fluidity in Automated Dialogue Agents
Queen Mary College, University of London（伦敦大学玛丽女王学院）；Constellation AI
我们提出了一个自动化的评估方法来衡量流动性会话对话系统。该方法将各种最先进的自然语言工具结合到分类器中，并对这些对话进行人工评分以训练自动判断模型。我们的实验表明，结果是现有的测量流动性的指标的改进。
2019-10-25 cs.CL
A Knowledge-Grounded Multimodal Search-Based Conversational Agent
Heriot-Watt University（赫瑞-瓦特大学）；Adeptmind Inc.（Adeptmind公司）
基于多模态搜索的对话是一项具有挑战性的新任务：它将基于视觉的问答系统扩展为可以访问外部数据库的多轮对话。我们通过从最近发布的多模态对话（MMD）数据集（Saha等人，2017年）的报告。我们引入了一个知识为基础的多模态会话模型，其中编码的知识库（KB）表示被附加到解码器输入。我们的模型在基于文本的相似性度量方面大大优于强基线（超过9个BLEU点，其中3个完全是由于使用了来自KB的额外信息。
2018-10-20 cs.AI cs.CL
Demonstrating CAT: Synthesizing Data-Aware Conversational Agents for Transactional Databases
Technical University of Darmstadt（达姆施塔特工业大学）；LMU Munich（慕尼黑大学）
用于OLTP的数据库通常是酒店客房或电影票预订应用程序等应用程序的主干。然而，开发会话代理（即，类似聊天机器人的界面）以允许终端用户使用自然语言与应用交互，这需要大量的训练数据和NLP专业知识。这激发了CAT，它可以用来轻松地为事务数据库创建会话代理。其主要思想是，对于给定的OLTP数据库，CAT使用弱监督来合成所需的训练数据，以训练最先进的会话代理，允许用户与OLTP数据库交互。此外，CAT还提供了生成的代理与数据库的开箱即用集成。作为现有的会话代理的主要区别，CAT合成的代理是数据感知的。这意味着代理根据数据库中的当前数据分布决定应该向用户请求哪些信息，与非数据感知代理相比，这通常会导致明显更有效的对话。我们将CAT的代码作为开源发布。
2022-03-26 cs.CL cs.DB
CoachAI: A Conversational Agent Assisted Health Coaching Platform
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Konstanz（康斯坦茨大学）
不良的生活方式是一个健康风险因素，是发病率和慢性病的主要原因。不良生活方式的影响可以通过个人行为的改变而显著改变。尽管当前医疗保健向持久的可修改行为转变，然而，随着护理者工作量的增加和个人对护理的持续需求，需要减轻护理者的工作，同时确保与用户的持续交互。本文介绍了CoachAI的设计和验证，会话代理辅助健康教练系统，以支持健康干预提供给个人和团体。CoachAI实例化了一个基于文本的医疗聊天机器人系统，它连接了远程人类教练和用户。这项研究提供了三个主要贡献的预防保健和健康的生活方式的推广：（1）它提出了会话代理，以帮助照顾者;（2）它的目的是减少照顾者的工作量，并加强对用户的照顾，通过处理（自动化）重复的照顾者任务;（3）它提出了一个域独立的移动健康会话代理的健康干预交付。我们将讨论我们的方法，并分析为期一个月的身体活动，健康饮食和压力管理验证研究的结果。
2019-04-26 cs.AI cs.CL cs.HC
An Automated Testing Framework for Conversational Agents
University of Houston（休斯顿大学）
会话代理是具有会话接口的系统，该会话接口提供口语交互。这些系统正在变得流行，并且在各种情况下和对于许多用户来说是优选的。尽管他们越来越成功，自动化测试的基础设施，以支持有效和高效的开发这些系统相比，传统的软件系统仍然是有限的。会话系统的自动化测试框架可以帮助开发人员编写、执行和维护测试用例，从而提高会话系统的质量。在本文中，我们介绍了我们的工作进展自动化测试框架，以及它的实现在Python程序设计语言。我们讨论了一些研究问题，在发展这样一个自动化测试框架的会话代理。特别是，我们指出的预期行为的规范，被称为测试神谕，和话语的语义比较的问题。
2019-02-17 cs.CL cs.HC
Controllable and Reliable Knowledge-Intensive Task-Oriented Conversational Agents with Declarative Genie Worksheets
针对大语言模型对话智能体的幻觉、条件逻辑遵循差等问题，提出可编程框架Genie，通过声明式工作表和运行时管控实现可控可靠的对话，在复杂数据集及三项真实任务中性能显著提升。
2025-06-17 cs.AI cs.CL cs.PL
Quality Assurance of Generative Dialog Models in an Evolving Conversational Agent Used for Swedish Language Practice
RISE Research Institutes of Sweden（瑞典RISE研究院）；Lund University（隆德大学）；NordAxon AB（NordAxon公司）
由于移民的大趋势，高效和有效的第二语言习得至关重要。一个提议的解决方案涉及支持AI的会话代理，用于以人为中心的交互式语言实践。我们目前正在进行的行动研究的结果，针对虚拟工作面试培训的专有生成对话模型的质量保证。行动小组引出了一组38个需求，我们为其中15个对不断发展的解决方案特别感兴趣的需求设计了相应的自动化测试用例。我们的研究结果表明，六个测试用例设计可以检测候选模型之间有意义的差异。虽然自然语言处理应用程序的质量保证是复杂的，我们提供了一个自动化框架的初步步骤，机器学习模型选择的背景下，不断发展的会话代理。未来的工作将集中在MLOps设置中的模型选择。
2022-03-29 cs.AI cs.CL cs.SE
SocialBench: Sociality Evaluation of Role-Playing Conversational Agents
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；Alibaba Group（阿里巴巴集团）
提出SocialBench基准，从个体与群体层面评估角色扮演对话智能体的社交性，并通过主流开源和闭源LLM揭示群体互动中的能力差异与行为漂移。
2024-08-05 cs.CL
A Concise Agent is Less Expert: Revealing Side Effects of Using Style Features on Conversational Agents
University of Pennsylvania（宾夕法尼亚大学）
研究揭示了在对话代理中使用风格特征时的副作用，指出不同风格特征之间存在深度交织，传统方法难以有效控制，需更原理化的多目标引导策略。
2026-01-15 cs.CL
Contextual Language Model Adaptation for Conversational Agents
Amazon Alexa Machine Learning（亚马逊Alexa机器学习部门）；University of Rochester（罗切斯特大学）
统计语言模型（LM）在会话主体使用的自动语音识别（ASR）系统中起着关键作用。这些ASR系统应该在各种说话风格、领域、词汇和隐语下提供高准确性。在本文中，我们提出了一种基于DNN的方法，通过预测一个最佳的，上下文相关的LM插值权重集，根据广义上下文信息，使LM适应每个用户-代理交互。我们表明，这种框架的上下文适应提供了不同的可能的混合LM分区相关的准确性提高（1）目标导向的会话代理，它的自然分区的数据所请求的应用程序和（2）非目标导向的会话代理，其中数据可以使用来自主题分类器的预测的主题标签进行分区。我们得到了一个相对的WER改善3%的1-通过解码策略和6%的2-通过解码框架，在一个未适应的模型。我们还显示了一个15%的相对改善，在识别命名的实体，这是会话ASR系统的重要价值。
2018-07-31 cs.CL
Mediators: Conversational Agents Explaining NLP Model Behavior
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；Technische Universität Berlin（柏林工业大学）
以人为中心的可解释人工智能（HCXAI）社区提出了将解释过程框定为人机对话的需求。在本立场文件中，我们为中介者（Mediators）建立了必要条件，中介者是基于文本的对话代理，能够使用自然语言交互式解释神经模型的行为。从自然语言处理（NLP）研究的角度来看，我们工程师这样一个调解人的情感分析的任务的蓝图，并评估目前的研究有多远的道路上，以对话为基础的解释。
2022-06-13 cs.AI cs.CL cs.HC
CoMAC: Conversational Agent for Multi-Source Auxiliary Context with Sparse and Symmetric Latent Interactions
North Carolina State University（北卡罗来纳州立大学）；Lirio, Inc.（利里奥公司）
本文提出CoMAC对话生成方法，通过专门编码流、融合后接地网络及双向文本相似度度量，有效利用多源辅助上下文，显著提升人物设定与知识预测准确性及响应质量。
2025-03-25 cs.CL cs.IR cs.LG
Towards Personalized Dialog Policies for Conversational Skill Discovery
Amazon Alexa（亚马逊Alexa）
许多企业和消费者正在扩展基于语音的服务的功能，例如Amazon Alexa，Google Home，Microsoft Cortana和Apple Siri，以创建自定义语音体验（也称为技能）。随着这些体验的增加，一个关键问题是发现可用于解决用户请求的技能。在本文中，我们专注于会话技能发现，并提出了一个会话代理，从事与用户的对话，以帮助他们找到满足他们需求的技能。为此，我们从基于规则的代理开始，并通过使用强化学习对其进行改进。通过这种方式，我们使代理能够适应不同的用户属性和会话风格，因为它与用户交互。我们评估我们的方法在一个真正的生产环境中部署的代理与真实的用户进行交互，并显示对话代理的有效性，帮助用户找到他们的要求服务的技能。
2019-11-15 cs.AI cs.CL cs.HC
Iris: A Conversational Agent for Complex Tasks
Stanford University（斯坦福大学）
今天的会话代理仅限于简单的独立命令。在本文中，我们介绍了Iris，一个利用人类会话策略来组合命令的代理，允许它执行更复杂的任务，它没有明确设计支持：例如，组成一个命令来“绘制直方图”，另一个命令首先“对数转换数据”。为了实现这种复杂性，我们引入了一个域特定的语言，将命令转换为自动机，虹膜可以组成，序列，并通过与用户交互动态执行通过自然语言，以及一个会话类型的系统，管理什么样的命令可以组合。我们设计了Iris来帮助用户完成数据科学任务，这是一个需要支持命令组合的领域。在评估中，我们发现数据科学家使用Iris完成预测建模任务的速度比现代非对话式编程环境快得多（加速2.6倍）。Iris支持与今天的代理相同的命令，但允许用户将这些命令编织在一起以完成复杂的目标。
2017-07-17 cs.CL cs.HC
Adaptive Multi-Agent Response Refinement in Conversational Systems
KAIST（韩国科学技术院）；Amazon（亚马逊）；Collate；University College London（伦敦大学学院）
针对大型语言模型在对话系统中处理个性化和特定知识时的不足，提出自适应多智能体框架，通过动态协调负责事实性、个性化和连贯性的智能体优化响应，在相关任务中显著优于基线。
2025-11-11 cs.AI cs.CL cs.MA
Developing Enhanced Conversational Agents for Social Virtual Worlds
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；University of Granada（格拉纳达大学）
本文提出一种结合人工智能、自然语言处理、情感计算与用户建模的方法，开发面向社交虚拟世界的具身多模态对话智能体，其对话行为能基于语料库与交互知识自适应学习，并在Second Life中成功验证了其对用户特征的适应性。
2025-01-14 cs.CL cs.SD eess.AS
PSYCHE: A Multi-faceted Patient Simulation Framework for Evaluation of Psychiatric Assessment Conversational Agents
Yonsei University College of Medicine（延世大学医学院）；Institute of Behavioral Science in Medicine（医学行为科学研究所）；Yonsei University Graduate School（延世大学研究生院）
本文提出PSYCHE框架，通过多层面精神科构念模拟患者，以临床相关、伦理安全、成本高效且可定量的方式评估精神科评估对话智能体，并经10名认证精神科医生验证其有效性。
2025-01-03 cs.AI cs.CL cs.LG
Towards Human-centered Proactive Conversational Agents
National University of Singapore（新加坡国立大学）；Singapore Management University（新加坡管理大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Georgetown University（乔治城大学）
本文提出人本主动对话智能体应兼顾智能性、适应性与文明性，建立新分类体系，探讨系统构建五阶段的研究机遇与挑战，为对话式信息检索奠基。
2024-04-19 cs.CL cs.HC cs.IR
Ruuh: A Deep Learning Based Conversational Social Agent
Microsoft（微软）
对话系统和会话Agent在现代社会中越来越流行，但构建能够与用户进行智能对话的Agent是人工智能面临的一个挑战性问题。在这个演示中，我们展示了一个基于深度学习的会话社交代理，名为“Ruuh”（facebook.com/Ruuh），由微软印度的一个团队设计，可以就广泛的主题进行对话。Ruuh需要超越仅仅生成“相关”响应的功利主义概念，满足更广泛的用户社交需求，例如当用户最喜欢的球队获胜时表达快乐，在显示用户宠物的照片时分享可爱的评论等等。代理还需要检测和响应用户的辱骂性语言，敏感话题和拖钓行为。这些问题中的许多都提出了重大的研究挑战，我们将在演示中展示。迄今为止，我们的代理已与超过200万真实世界用户进行了互动，产生了超过1.5亿次用户对话。
2018-10-22 cs.CL
IntellAgent: A Multi-Agent Framework for Evaluating Conversational AI Systems
Plurai（普卢瑞（Plurai））
IntellAgent是一个开源多智能体框架，通过图建模和模拟生成合成基准，提供细粒度诊断，全面评估对话式AI系统性能并识别优化方向。
2025-01-19 cs.AI cs.CL cs.LG
Towards a Sentiment-Aware Conversational Agent
INESC-ID（里斯本系统与计算机工程研究所）；Instituto Superior Técnico（高等技术学院）；Universidade de Lisboa（里斯本大学）；Unbabel（Unbabel公司）
在本文中，我们提出了一个端到端的情感感知会话代理基于两个模型：一个回复情感预测模型，它利用对话的上下文来预测一个适当的情感代理在其回复中表达;和一个文本生成模型，这是有条件的预测的情感和对话的上下文，以产生一个回复，这是上下文和情感适当。此外，我们建议使用情感分类模型来评估模型开发过程中代理所表达的情感。这使我们能够以自动的方式评估代理。自动和人工评估结果都表明，使用预定义的句子集明确指导文本生成模型，无论是在表达的情感还是生成的文本质量方面，都有明显的改善。
2022-07-24 cs.CL
Local Knowledge Powered Conversational Agents
UNC Charlotte（北卡罗来纳大学夏洛特分校）；NVIDIA（英伟达）；OpenAI（开放人工智能研究中心）
国家的最先进的会话代理显着先进的结合使用大型transformer为基础的语言模型。然而，即使有了这些进步，会话代理仍然缺乏产生与本地上下文信息丰富和一致的响应的能力。在这项工作中，我们提出了一个对话框架，结合本地知识以及用户过去的对话，以产生高质量的对话。我们介绍了一种基于Reddit对话构建数据集的方法，其中出站URL链接在对话中广泛存在，并且超链接文档可以自然地作为本地外部知识包含在内。使用我们的框架和数据集，我们证明，结合本地知识可以在很大程度上提高信息性，一致性和现实性的措施，使用人类的评价。特别是，我们的方法在所有三个指标上都始终优于Reddit数据集上最先进的会话模型。我们还发现，将我们的模型的大小从117M扩展到8.3B参数，可以持续改善验证困惑度和人类评估指标。我们的模型与8.3B参数可以生成类似人类的反应，在单轮对话设置中的各种人类评价。
2020-10-20 cs.AI cs.CL cs.HC
Can You be More Social? Injecting Politeness and Positivity into Task-Oriented Conversational Agents
Uber AI（优步人工智能实验室）；Carnegie Mellon University（卡内基梅隆大学）
目标导向的会话主体在我们的日常生活中越来越普遍。为了让这些系统吸引用户并实现他们的目标，他们需要展示适当的社交行为，并提供指导用户完成任务的信息回复。本文研究的第一个组成部分是应用统计建模技术来理解用户和客户服务人员之间的对话。分析表明，人类代理使用的社交语言与更大的用户响应和任务完成有关。研究的第二个组成部分是构建一个会话代理模型，能够将社交语言注入代理的响应，同时仍然保留内容。该模型使用序列到序列深度学习架构，并扩展了社交语言理解元素。使用人类判断和自动语言测量的内容保存和社会语言水平方面的评估表明，该模型可以生成响应，使代理以更适合社会的方式解决用户的问题。
2020-12-29 cs.CL cs.HC
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
A Crowd-based Evaluation of Abuse Response Strategies in Conversational Agents
Heriot-Watt University（赫瑞-瓦特大学）
会话代理人应该如何通过用户对言语虐待做出反应？为了回答这个问题，我们对当前最先进的系统所采用的滥用响应策略进行了大规模的众包评估。我们的研究结果表明，一些策略，如“礼貌拒绝”得分很高，而对于其他策略的人口因素，如年龄，以及严重程度的前虐待影响用户的看法，其中的反应是适当的。此外，我们发现，大多数数据驱动的模型落后于基于规则的或商业系统在其感知的适当性。
2019-09-10 cs.CL cs.HC
MADS: Multi-Agent Dialog Simulation for Robust Conversational Agents
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Uniphore（尤尼福公司）
针对现有函数调用基准对抗性对话轨迹代表性不足的问题，提出MADS多智能体对话模拟流水线，构建含66%易出错场景的MADS-Bench基准，结合SFT与RLVR训练方法提升对话智能体鲁棒性。
2026-10-12 cs.CL
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
