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
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
Eliciting Uncertainty in Chain-of-Thought to Mitigate Bias against Forecasting Harmful User Behaviors
Khoury College of Computer Sciences（卡利计算机科学学院）；Northeastern University（东北大学）
本文研究如何利用思维链中的不确定性表示来缓解 LLM 在社交媒体对话预测中对有害用户行为的预测偏见，并在 5 个开源模型和 2 个数据集上验证其效果。
2024-10-17 cs.AI cs.CL
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
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
Eliciting Knowledge from Experts:Automatic Transcript Parsing for Cognitive Task Analysis
University of Southern California（南加利福尼亚大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
认知任务分析（CTA）是应用心理学中的一种分析方法，旨在引出和呈现领域专家的知识和思维过程。在CTA中，通常涉及繁重的人力劳动来将面试成绩单解析成结构化知识（例如，不同动作的流程图）。为了减少人工努力并扩展该过程，自动化CTA转录本解析是期望的。然而，这项任务具有独特的挑战，因为（1）它需要理解会话文本中的长范围上下文信息;以及（2）标记数据的量是有限的和间接的-即，上下文感知、噪声和低资源。在本文中，我们提出了一个弱监督信息抽取框架自动CTA成绩单分析。我们将解析过程划分为序列标记任务和文本跨度对关系抽取任务，并由人工管理的协议文件进行远程监督。为了建模用于提取句子关系的长范围上下文信息，相邻句子作为输入的一部分被涉及。然后应用用于捕获上下文依赖性的不同类型的模型。我们手动注释真实世界的CTA成绩单，以促进分析任务的评估
2019-06-26 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
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
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
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
KGConv, a Conversational Corpus grounded in Wikidata
Orange Innovation（奥兰治创新公司）；CNRS（法国国家科学研究中心）；LORIA（洛林信息学及其应用研究实验室）
提出KGConv，一个基于Wikidata的71k对话语料库，每个问答对基于事实，平均8.6个问题，提供多问题变体，并给出对话式问题生成基线，支持多种生成与分析任务。
2023-08-29 cs.AI cs.CL
Topical-Chat: Towards Knowledge-Grounded Open-Domain Conversations
Amazon Alexa AI（亚马逊Alexa人工智能部门）
针对现有知识型对话数据集程式化、话题覆盖不足的问题，研究者推出含8类话题、无明确角色的Topical-Chat人-人对话数据集，并训练基准模型开展评估，助力开放域对话AI研究。
2023-08-23 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
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
Grounded Conversation Generation as Guided Traverses in Commonsense Knowledge Graphs
Brown University（布朗大学）；Microsoft Research AI（微软人工智能研究院）；Tsinghua University（清华大学）
人类的对话自然会围绕相关的概念发展，并分散到多跳概念。本文提出了一种新的会话生成模型ConceptFlow，它利用常识知识图谱来显式地对会话流进行建模。通过将会话接地到概念空间，ConceptFlow将潜在的会话流表示为沿着常识关系在概念空间中遍历。遍历由概念图中的图注意力引导，朝着概念空间中更有意义的方向移动，以生成更多语义和信息的响应。在Reddit会话上的实验证明了ConceptFlow的有效性，超过了以前的知识感知会话模型和基于GPT-2的模型，同时使用的参数减少了70%，证实了显式建模会话结构的优势。本工作的所有源代码都可以在https://github.com/thunlp/ConceptFlow上获得。
2020-05-05 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
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
CorefDiffs: Co-referential and Differential Knowledge Flow in Document Grounded Conversations
National University of Singapore（新加坡国立大学）；ByteDance（字节跳动）
基于知识的对话系统需要在选择用于生成响应的知识之间进行平滑过渡，以确保对话自然流动。对于基于文档的对话系统，文档间和文档内的知识关系可以用于对这样的会话流进行建模。我们开发了一种新的多文档共指图（Coref-MDG），以有效地捕获基于常识和相似性的文档间关系以及接地文档内知识段的文档内共指结构。我们提出了CorefDiffs，一个共同引用和差分流管理方法，线性化的静态Coref-MDG会话序列逻辑。CorefDiffs通过考虑上下文图结构和知识差异序列来执行知识选择。CorefDiffs在三个公共基准上的表现明显优于最先进的9.5%，7.4%和8.2%。这表明，对话流的共指和知识差异的有效建模对于基于文档的会话中的转换至关重要
2022-10-05 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
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
Robust Conversational AI with Grounded Text Generation
Microsoft Research（微软研究院）
本文提出了一种基于Grounded Text Generation（GTG）模型的混合方法，用于大规模构建健壮的任务机器人。GTG是一个混合模型，它使用一个大规模的Transformer神经网络作为其骨干，结合符号操作模块的知识库推理和先验知识编码，以产生基于对话信念状态和现实世界的知识完成任务的响应。GTG在大量原始文本和人类会话数据上进行了预训练，并且可以进行微调以完成各种任务。混合方法及其变体正在由多个研究团队同时开发。面向任务的对话基准测试报告的主要结果是非常有前途的，证明了这种方法的巨大潜力。本文概述了这一进展，并讨论了可以用于构建强大的对话式AI系统的相关方法和技术。
2020-09-07 cs.AI cs.CL
On the Origin of Hallucinations in Conversational Models: Is it the Datasets or the Models?
University of Alberta（阿尔伯塔大学）；Mila – Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；IBM Research（IBM研究院）
以知识为基础的对话模型会产生事实上无效的陈述，这种现象通常被称为幻觉。在这项工作中，我们调查这种现象的根本原因：幻觉是由于训练数据，或模型？我们对现有的基于知识的对话基准和几个最先进的模型进行了全面的人类研究。我们的研究表明，标准基准包括>60%的幻觉反应，导致模型不仅产生幻觉，甚至放大幻觉。我们的研究结果对现有数据集和使用它们训练的模型的质量提出了重要问题。我们公开我们的注释，以供未来的研究。
2022-04-17 cs.CL
Improved Instruction Ordering in Recipe-Grounded Conversation
Georgia Institute of Technology（佐治亚理工学院）
本文针对基于食谱的对话中指令顺序错误问题，提出利用用户意图检测和指令状态跟踪两个辅助子任务来改进响应生成，并通过新数据集ChattyChef验证其有效性，同时发现ChatGPT仍存在乱序指令错误。
2023-05-26 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
DischargeBench: Pre-Deployment Evaluation of LLM Discharge Educators through Persona-Grounded Patient Simulation
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
针对出院教育中LLM评估忽视患者理解的问题，提出DischargeBench人物设定模拟框架，通过虚拟患者多轮对话和四维评分，揭示总分掩盖的临床差异，强调评估应聚焦患者理解。
2026-10-16 cs.CL
External Knowledge Selection with Weighted Negative Sampling in Knowledge-grounded Task-oriented Dialogue Systems
LG AI Research（LG人工智能研究院）
构建一个健壮的基于口语对话的对话系统比书面对话更具挑战性。在这方面，提出了DSTC 10-Track 2-Task 2，其目的是建立一个面向任务的对话（TOD）系统，将非结构化的外部知识的口语会话，扩展DSTC 9-Track 1。本文介绍了我们的系统包含四个先进的方法：数据构建，加权负采样，后训练，风格转移。我们首先自动构建一个大的训练数据，因为DSTC 10-Track 2不发布官方训练集。对于知识选择任务，我们提出了加权负采样的训练模型更细粒度的方式。我们还采用后训练和风格转移的响应生成任务，以生成一个适当的响应与目标响应相似的风格。在实验中，我们考察了加权负采样、后训练和风格迁移的效果。我们的模型在客观评价中排名16支球队中的7支，在人工评价中排名6支。
2022-09-06 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
Difference-aware Knowledge Selection for Knowledge-grounded Conversation Generation
Tsinghua University（清华大学）；Tencent（腾讯）；Microsoft（微软）
在多轮知识导向对话中，不同轮选择的知识之间的差异往往为知识选择提供了潜在的线索，而这一点在以往的研究中被忽略了。在本文中，我们提出了一个差异意识的知识选择方法。它首先计算在当前轮提供的候选知识句子和在先前轮中选择的候选知识句子之间的差异。然后，将差异信息与上下文信息融合或分离，以便于最终的知识选择。自动，人工观察和交互式评估表明，我们的方法能够更准确地选择知识，并生成更多信息的响应，显着优于最先进的基线。这些代码可在https://github.com/chujiezheng/DiffKS上获得。
2020-09-20 cs.AI cs.CL
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
C3KG: A Chinese Commonsense Conversation Knowledge Graph
Xiaomi AI Lab（小米人工智能实验室）
现有的常识知识库通常以孤立的方式组织元组，这对于常识会话模型规划后续步骤是不足的。为了填补这一空白，我们策划了一个大规模的多轮人类书面会话语料库，并创建了第一个包含社会常识知识和对话流信息的中文常识会话知识图谱。为了展示我们的图的潜力，我们开发了一个图-会话匹配方法，并对两个基于图的会话任务进行了基准测试。
2022-04-06 cs.CL
Persona-Grounded Safety Evaluation of AI Companions in Multi-Turn Conversations
Seattle University（西雅图大学）
本文提出首个端到端可扩展框架，用于可控模拟和评估AI陪伴应用的多轮交互安全性，通过构建角色、生成场景、模拟对话及评估危害，分析Replika对高风险用户群体的响应。
2026-04-30 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
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
Sequential Latent Knowledge Selection for Knowledge-Grounded Dialogue
Seoul National University（首尔国立大学）
基于知识的对话是一种基于话语语境和外部知识的信息反应的任务。由于我们专注于更好地建模的知识选择在多轮知识为基础的对话，我们提出了一个顺序的潜变量模型作为第一种方法来解决这个问题。序列知识Transformer（SKT）模型能够跟踪知识的先验分布和后验分布，不仅能够减少会话中知识选择的多样性所带来的歧义，而且能够更好地利用应答信息进行正确的知识选择。实验结果表明，该模型提高了知识选择的准确性，从而提高了话语生成的性能。我们在维基百科的向导上实现了新的最先进的性能（Dinan等人，2019年）作为最具规模和挑战性的基准之一。我们进一步验证了我们的模型在另一个基于知识的对话Holl-E数据集（Moghe等人，2018年）。
2020-06-16 cs.CL
OMIND: Framework for Knowledge Grounded Finetuning and Multi-Turn Dialogue Benchmark for Mental Health LLMs
Indian Institute of Technology Bombay（印度理工学院孟买分校）
本文提出OMIND框架，通过结构化知识检索、模型剪枝和人工审核生成高质量多任务SFT数据集，并引入oMind-Chat多轮对话基准，验证了其在核心能力和对话任务上的优越性能。
2026-03-26 cs.CL
A Controllable Model of Grounded Response Generation
University of Washington（华盛顿大学）；Microsoft Research（微软研究院）；Allen Institute for AI（艾伦人工智能研究所）
当前的端到端神经会话模型本质上缺乏在响应生成过程中施加语义控制的灵活性，通常导致无趣的响应。仅仅提高信息量的尝试是以牺牲事实的准确性为代价的，预先训练的语言模型倾向于“幻觉”事实就是证明。虽然可以通过获取背景知识来缓解这一问题，但无法保证生成的答复具有相关性和信息量。我们提出了一个框架，我们称之为可控接地响应生成（CGRG），其中词汇控制短语由用户提供或自动提取的控制短语预测器从对话上下文和接地知识。定量和定性结果表明，使用该框架，基于Transformer的模型具有新的归纳注意力机制，在类似对话的Reddit数据集上训练，优于强大的生成基线。
2021-06-14 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
Knowledge-Grounded Dialogue with Reward-Driven Knowledge Selection
Northeastern University（东北大学）
基于知识的对话是一种基于会话语境和外部知识的会话，其中知识选择起着重要的作用，引起了越来越多的研究兴趣。然而，大多数现有的模型要么只选择一个知识或使用所有的知识生成响应。前者可能会在丢弃的知识中丢失有价值的信息，而后者可能会带来大量的噪声。同时，许多方法需要用指示地面实况知识的知识标签来训练知识选择器，但是这些标签难以获得并且需要大量的人工注释。基于这些问题，本文提出了一种基于强化学习的对话响应生成模型Knoforer，该模型可以自动从知识库中选择一个或多个相关知识，并且在训练过程中不需要知识标签。Knoformer在两个知识引导的会话数据集上进行了评估，并实现了最先进的性能。
2021-08-31 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
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
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
Unsupervised Enrichment of Persona-grounded Dialog with Background Stories
UC San Diego（加州大学圣地亚哥分校）；Carnegie Mellon University（卡内基梅隆大学）
人们经常引用个人的叙述、生活经历和事件来使谈话更吸引人、更丰富。虽然基于人物角色的对话模型能够生成遵循给定人物角色的响应，但它们通常会错过与人物角色相关的详细体验或事件，通常会使对话变得肤浅和乏味。在这项工作中，我们装备对话模型与“背景故事”相关的人物角色，利用虚构的叙述，从现有的故事数据集（如ROCStories）。由于当前的对话数据集不包含这样的叙述响应，我们执行一个无监督的适应检索的故事，使用基于梯度的重写技术生成一个对话响应。我们提出的方法鼓励生成的响应是流畅的（即，很可能）与对话历史记录，与检索到的故事的差异最小，以保持事件顺序并与原始人物角色一致。我们证明，我们的方法可以生成更多样化的响应，并被评为更具吸引力和人性化的人类评估员，从现有的对话模型的输出相比。
2021-06-15 cs.CL
KnowPrefix-Tuning: A Two-Stage Prefix-Tuning Framework for Knowledge-Grounded Dialogue Generation
Beihang University（北京航空航天大学）；Tencent Cloud AI（腾讯云人工智能）
提出KnowPrefix-Tuning两阶段框架，通过向轻量级前缀注入先验知识绕过检索，并采用交互式重参数化机制，在知识驱动对话生成中实现优于微调且媲美检索基线的性能，推理速度提升3倍。
2023-06-27 cs.CL
KPT: Keyword-guided Pre-training for Grounded Dialog Generation
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
将外部知识引入响应生成过程对于构建更有用和可靠的对话代理至关重要。然而，收集基于知识的对话通常是昂贵的，需要一个更好的预训练模型来生成基于知识的对话，该模型可以很好地概括w.r.t.不同类型的知识。在这项工作中，我们提出了KPT（关键词引导的预训练），一种新的自我监督的预训练方法，用于生成接地对话，而不依赖于额外的知识注释。具体来说，我们使用预先训练的语言模型来提取对话中最不确定的标记作为关键字。通过这些关键词，我们构建了两种知识，并预训练了一个基于知识的响应生成模型，旨在处理两种不同的场景：（1）知识应该是忠实的基础;（2）它可以被选择性地使用。对于前者，基础知识由从响应中提取的关键字组成。对于后者，基础知识被额外地用从同一对话中的其他话语中提取的关键字来增强。由于知识是从对话本身中提取的，因此KPT可以很容易地在大量和各种对话数据上执行。我们考虑了三个数据源（开放域，面向任务，会话QA），共有250万个对话。我们对各种Few-Shot知识基础生成任务进行了广泛的实验，包括对话行为，知识图谱，人物描述和维基百科段落。我们全面的实验和分析表明，KPT始终优于国家的最先进的方法，这些任务与不同的接地知识。
2022-12-04 cs.CL
Open-domain Dialogue Generation Grounded with Dynamic Multi-form Knowledge Fusion
Shanghai University of Electric Power（上海电力大学）；Tongji University（同济大学）；University of Munich（慕尼黑大学）；Alibaba Local Life Service Co., Ltd（阿里巴巴本地生活服务有限公司）
开放域多回合对话通常面临如何丰富和扩展对话内容的挑战。近年来，许多基于外部知识的方法被提出来生成丰富的语义和信息会话。两种类型的知识已经研究了知识感知的开放域对话生成：结构化的三元组从知识图谱和非结构化的文本从文档。为了充分利用文档中丰富的非结构化潜在知识和结构化知识图谱的信息扩展能力，本文提出了一种新的对话生成模型--基于开放域聊天机的动态多形式知识融合模型（DMKCM）。DMKCM应用索引文本（虚拟知识库）将相关文档定位为第一跳，然后使用常识知识图谱扩展对话的内容及其第一跳，三倍于第二跳。为了将这两种形式的知识有效地融合到对话中，我们设计了一个动态的虚拟知识选择器和一个控制器来丰富和扩展知识空间。此外，DMKCM采用了一种新的动态知识记忆模块，有效地利用历史推理知识，以产生更好的反应。实验结果表明，我们的方法在对话连贯性和信息量方面是有效的。
2022-04-24 cs.CL
Filtering before Iteratively Referring for Knowledge-Grounded Response Selection in Retrieval-Based Chatbots
State Key Laboratory of Cognitive Intelligence, iFLYTEK Research（科大讯飞认知智能国家重点实验室）
构建基于知识的基于检索的聊天机器人的挑战在于如何将会话建立在其背景知识上，以及如何同时将响应候选者与上下文和知识相匹配。针对这一问题，提出了一种迭代引用前过滤（FIRE）方法.该方法首先建立上下文过滤器和知识过滤器，通过全局和双向注意分别得到知识感知的上下文表示和上下文感知的知识表示。此外，与会话无关的条目被知识过滤器丢弃。之后，在上下文和响应表示之间以及在知识和响应表示之间迭代地执行引用，以便收集用于对响应候选进行评分的深度匹配特征。实验结果表明，FIRE优于以前的方法的利润率大于2.8%和4.1%的PERSONA-CHAT数据集上的原始和修改的人物角色，和利润率大于3.1%的CMU_DoG数据集上的top-1的准确性。我们还表明，消防是更可解释的可视化的知识接地过程。
2020-09-21 cs.CL
MPCHAT: Towards Multimodal Persona-Grounded Conversation
Seoul National University（首尔国立大学）；NAVER AI Lab（NAVER人工智能实验室）
本文提出首个多模态人格对话数据集MPCHAT，将文本与图像结合表征情景记忆，并通过三项任务验证多模态人格能显著提升对话理解性能。
2023-05-27 cs.CL cs.CV
