Personal Entity, Concept, and Named Entity Linking in Conversations
Radboud University（拉德堡德大学）
针对对话中个人实体、概念和命名实体的链接需求，本文构建 1327 条话语标注数据集，并提出结合共指消解的 CREL 工具包，性能超过现有基线。
2023-09-27 cs.CL cs.IR
Knowledge Graphs and Pre-trained Language Models enhanced Representation Learning for Conversational Recommender Systems
Griffith University（格里菲斯大学）；School of Information and Communication Technology（信息与通信技术学院）
本文提出KERL框架，融合知识图谱与预训练语言模型增强对话推荐系统中的实体表示，并构建WikiMKG知识图谱，在推荐和回复生成任务上达到最优性能。
2024-05-01 cs.AI cs.CL cs.IR
Semantically-Aware LLM Agent to Enhance Privacy in Conversational AI Services
Department of Computer Science University of Pittsburgh Pittsburgh, Pennsylvania, USA（计算机科学系 纽约大学 伯利恒，宾夕法尼亚州，美国）
本文提出了LOPSIDED框架，通过动态替换用户提示中的敏感PII实体为语义一致的假名，在保护隐私的同时减少语义效用错误。
2025-10-30 cs.CL
A Human Subject Study of Named Entity Recognition (NER) in Conversational Music Recommendation Queries
Deezer Research（Deezer研究院）
我们进行了一项人类主题的研究命名实体识别的嘈杂语料库的会话音乐推荐查询，许多不规则和新颖的命名实体。我们评估了人类NER语言行为在这些具有挑战性的条件下，并将其与当今最常见的NER系统进行了比较，微调Transformers。我们的目标是了解任务，以指导更好的评估方法和NER算法的设计。结果表明，在严格的评估模式下，NER对于人类和算法来说都是相当困难的;人类具有更高的精度，而模型的召回率更高，因为实体暴露，特别是在预训练期间;实体类型具有不同的错误模式（例如，艺术家频繁的打字错误）。发布的语料库超越了预定义的互动框架，可以支持未来的工作，在会话式音乐推荐。
2023-03-13 cs.CL
Look before you Hop: Conversational Question Answering over Knowledge Graphs Using Judicious Context Expansion
MPI for Informatics（马克斯·普朗克信息学研究所）；Amazon Alexa（亚马逊Alexa）
以事实为中心的信息需求很少是一次性的;用户通常会提出后续问题来探索一个主题。在这样的会话设置中，用户的输入通常是不完整的，其中实体或谓词被遗漏，以及不合语法的短语。这对问答（QA）系统提出了巨大的挑战，因为QA系统通常依赖于完整的疑问句中的线索。作为一种解决方案，我们开发了CONVEX：一种无监督的方法，可以通过使用迄今为止看到的实体和谓词来维护会话上下文，并自动推断后续问题的缺失或模糊部分，从而在知识图谱（KG）上回答不完整的问题。我们的方法的核心是一个图探索算法，明智地扩大了边界，找到候选答案的当前问题。为了评估CONVEX，我们发布了ConvQuestions，这是一个众包基准，包含来自五个不同领域的11，200个不同对话。我们证明了CONVEX：（i）为任何独立的QA系统添加会话支持，（ii）优于最先进的基线和问题完成策略。
2019-11-05 cs.CL cs.IR
INSPIRED2: An Improved Dataset for Sociable Conversational Recommendation
University of Klagenfurt（克拉根福大学）
能够以自然语言与用户交互的会话式推荐系统（CRS）通常利用先前在成对的人的帮助下收集的推荐对话，其中一个人扮演搜索者的角色，另一个人扮演推荐者。这些推荐对话框包括指示用户首选项的项目和实体。为了精确地模拟搜索者的偏好并一致地响应，CRS通常依赖于项目和实体注释。这种数据集的一个最近的例子是INSPIRED，它由用于社交会话推荐的推荐对话框组成，其中使用自动关键字或模式匹配技术对项目和实体进行注释。不幸的是，对该数据集的分析显示，存在大量项目和实体被错误注释或注释根本缺失的情况。这就引出了一个问题，即自动注释技术在多大程度上是有效的。此外，重要的是研究注释质量对CRS的整体有效性的影响，即系统响应的质量。为了研究这些方面，我们手动修复了INSPIRED中的注释。然后，我们使用两个版本的数据集评估了几个基准CRS的性能。我们的分析表明，数据集的改进版本，即，INSPIRED 2帮助提高了几个基准CRS的性能，强调了数据质量对于端到端学习和基于检索的会话推荐方法的重要性。我们在www.example.com上公开发布了我们改进的数据集（INSPIRED 2）。
2022-09-07 cs.AI cs.CL cs.IR
Real World Conversational Entity Linking Requires More Than Zeroshots
Radboud University（拉德堡德大学）；University of Amsterdam（阿姆斯特丹大学）
本文针对对话式实体链接在领域特定、长尾知识库和缺少标注数据条件下的零样本泛化问题，构建了基于Fandom和Reddit的评估场景与数据集，发现现有零样本模型性能显著下降，并呼吁设计适应有限资源的新评估与建模方法。
2024-09-02 cs.CL cs.IR
Automatic Generation of Conversational Interfaces for Tabular Data Analysis
Luxembourg Institute of Science and Technology（卢森堡科学技术研究院）；University of Luxembourg（卢森堡大学）；Universitat Oberta de Catalunya（加泰罗尼亚开放大学）
针对表格数据利用受限于技术人员的问题，本文提出利用聊天机器人构建支持图表回答分析问题的对话界面，并通过匹配意图与实体的可配置会话模式实现从数据源自动生成聊天机器人。
2024-08-06 cs.CL
IXA/Cogcomp at SemEval-2023 Task 2: Context-enriched Multilingual Named Entity Recognition using Knowledge Bases
University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））；University of Pennsylvania（宾夕法尼亚大学）
针对现有NER基准未覆盖细粒度新兴实体分类等实际挑战，本文提出含实体候选识别、知识库链接、细粒度类别预测三步的级联方法，在MultiCoNER2任务及低资源语言场景下均实现稳健性能。
2023-04-27 cs.CL
Multi-Task Learning for Conversational Question Answering over a Large-Scale Knowledge Base
University of Technology Sydney（悉尼科技大学）；Microsoft（微软）；Sun Yat-sen University（中山大学）
我们考虑了大规模知识库上的会话式问答问题。为了处理大规模知识库中庞大的实体词汇，现有的基于神经语义解析的方法通常将任务分解为多个子任务，然后依次求解，这会导致以下问题：1）前一个子任务中的错误会传播并对下游子任务产生负面影响; 2）每个子任务不能自然地与其他子任务共享监督信号。为了解决这些问题，我们提出了一个创新的多任务学习框架，其中配备指针的语义解析模型被设计用于解决会话中的共指，并自然地赋予联合学习一个新的类型感知实体检测模型。因此，所提出的框架，使共享的监督和消除错误传播的影响。在包含1280万个实体的160万个问答对的大规模会话问答数据集上的实验表明，与以前的最先进的工作相比，所提出的框架将总体F1分数从67%提高到79%。
2019-10-11 cs.CL
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
Chatbot: A Conversational Agent employed with Named Entity Recognition Model using Artificial Neural Network
Quaid-i-Azam University（奎德阿扎姆大学）
聊天机器人是一种使用自然语言模仿人类行为的技术。有不同类型的聊天机器人，可以用作各种业务领域的会话代理，以提高客户服务和满意度。对于任何业务领域，它都需要为该领域建立一个知识库，并设计一个基于信息检索的系统，该系统可以用一段文档或生成的句子来响应用户。聊天机器人的核心组件是自然语言理解（NLU），它通过深度学习方法得到了令人印象深刻的改进。但是我们经常缺乏这样正确构建的NLU模块，并且需要更多的时间从头开始构建高质量的对话。这可能会鼓励新的学习者从头开始构建具有简单架构和使用小数据集的聊天机器人，尽管它可能具有减少的功能，而不是构建高质量的数据驱动方法。本研究的重点是命名实体识别（NER）和意图分类模型，可以集成到聊天机器人的NLU服务。命名实体将被手动插入知识库，并在给定的句子中自动检测。在所提出的架构中的NER模型是基于人工神经网络，人工神经网络是人工创建的实体进行训练，并使用CoNLL-2003数据集进行评估。
2020-06-19 cs.AI cs.CL
NaturalTurn: A Method to Segment Speech into Psychologically Meaningful Conversational Turns
针对会话数据集增长带来的轮次分割挑战，提出NaturalTurn算法，通过区分主次话语提升分割准确性，其生成的轮次特征与实证一致，能揭示语言对齐及轮次转换与情感的隐藏关系，推动会话科学研究。
2025-11-12 cs.CL
Context-Aware Classification and Grading of Sensitive Information in Online Conversational Health Data
School of Computing, Macquarie University, Australia（麦考瑞大学计算机学院）；Department of Biomedical Engineering, National University of Singapore（新加坡国立大学生物医学工程系）；School of Mathematics and Statistics, Shandong University of Technology, China（山东理工大学数学与统计学院）；Digital Intelligence Center, Fuzhou University Affiliated Provincial Hospital, China（福州市附属省医院数字智能中心）；School of Computer Science and Engineering, UNSW, Australia（新南威尔士大学计算机科学与工程学院）
SALP-CG通过统一标准和自动化方法，实现在线医疗对话数据的分类与敏感性分级，提升健康数据治理效率。
2026-10-01 cs.AI cs.CL
Building chatbots from large scale domain-specific knowledge bases: challenges and opportunities
Hitachi America Ltd.（日立美国有限公司）
流行的对话代理框架，如Alexa Skills Kit（ASK）和Google Actions（gActions），为促进各种垂直领域中支持语音的AI解决方案的开发和部署提供了前所未有的机会。然而，理解用户的话语与高精度仍然是一个具有挑战性的任务与这些框架。特别是在构建具有大量特定领域实体的聊天机器人时。在本文中，我们描述的挑战和经验教训，从建立一个大规模的虚拟助理，了解和应对设备相关的投诉。在这个过程中，我们描述了一个替代的可扩展的框架：1）提取知识的设备组件及其相关的问题实体从短文本，和2）学习，以确定这样的实体在用户的话语。我们通过对一个真实数据集的评估表明，与现成的流行框架相比，所提出的框架可以更好地扩展，大量实体的准确率高达30%，并且在理解特定领域实体的用户话语方面更有效。
2019-12-31 cs.CL
COOKIE: A Dataset for Conversational Recommendation over Knowledge Graphs in E-commerce
Rutgers University（罗格斯大学）；HPI/University of Potsdam（波茨坦大学哈索·普拉特纳研究院）
在这项工作中，我们提出了一个新的数据集的会话推荐知识图谱在电子商业平台称为COOKIE。该数据集是从亚马逊评论语料库构建的，通过集成用户代理对话和自定义知识图谱进行推荐。具体来说，我们首先构建一个统一的知识图谱，并提取用户-产品对之间的关键实体，作为对话的骨架。然后，我们模拟会话反映人类粗到细的过程中选择首选项。所提出的基线和实验表明，我们的数据集能够为会话推荐提供创新的机会。
2020-08-21 cs.AI cs.CL cs.IR
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
Refer, Reuse, Reduce: Generating Subsequent References in Visual and Conversational Contexts
Institute for Logic, Language and Computation（逻辑、语言与计算研究所）；University of Amsterdam（阿姆斯特丹大学）
对话参与者经常在对话中重复提及实体或情况，这有助于其凝聚力。随后的提及利用了对话者积累的共同点，因此有几个有趣的特点，即它们往往较短，并重复使用先前提及时有效的表达方式。在本文中，我们解决了视觉接地对话中的第一个和随后的参考的生成。我们提出了一个生成模型，产生指的话语接地在视觉和会话的背景。为了评估其输出的引用有效性，我们还实现了引用解析系统。我们的实验和分析表明，该模型产生更好的，更有效的指的话语比一个模型不接地的对话上下文，并产生后续的参考表现出类似于人类的语言模式。
2020-11-09 cs.CL cs.CV
Language Model Bootstrapping Using Neural Machine Translation For Conversational Speech Recognition
Alexa Machine Learning, Amazon（亚马逊Alexa机器学习部门）
构建用于新语言的会话语音识别系统受到捕获用户-设备交互的话语的可用性的限制。数据汇集既昂贵又受人工转录速度的限制。为了解决这个问题，我们提倡使用神经机器翻译作为一种数据增强技术来引导语言模型。机器翻译（MT）提供了一种系统化的方法来整合来自成熟的、资源丰富的会话系统的集合，这些集合可能适用于不同的语言。然而，从一个通用的MT系统的原始翻译可能不是有效的，由于命名实体的存在，内部的代码转换和域之间的不匹配的会话数据被翻译和用于MT训练的平行文本。为了规避这一点，我们探索了以下领域自适应技术：（a）基于句子嵌入的MT训练数据选择，（b）模型微调，以及（c）重新评分和过滤翻译的假设。使用印地语作为实验测试平台，我们翻译美国英语的话语，以补充转录的集合。我们观察到一个相对字的错误率降低7.8- 15.6%，这取决于自举阶段。细粒度的分析表明，翻译特别是艾滋病的相互作用的情况下，在转录数据中代表性不足。
2019-12-02 cs.CL cs.LG
Conversational Semantic Parsing using Dynamic Context Graphs
Institute for Language, Cognition and Computation（语言、认知与计算研究所）；School of Informatics, University of Edinburgh（爱丁堡大学信息学院）
针对大规模知识图上的会话语义解析，提出用动态生成、节点数随话语变化的上下文子图并以图神经网络编码，从而将用户话语映射为 Sparql 等可执行逻辑形式；实验表明其在简单与复杂问题、省略/共指处理及长交互中均优于静态方法。
2023-12-07 cs.AI cs.CL
Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion
Peking University（北京大学）；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。尽管已经为CRS做出了一些努力，但仍有两个主要问题有待解决。首先，会话数据本身缺乏足够的上下文信息来准确理解用户的偏好。第二，在自然语言表达和项目级用户偏好之间存在语义鸿沟。为了解决这些问题，我们将面向单词和面向实体的知识图谱（KG），以提高CRS中的数据表示，并采用互信息最大化对齐单词级和实体级的语义空间。对齐的语义表示的基础上，我们进一步开发了KG增强的推荐组件，使准确的建议，和KG增强的对话组件，可以生成信息的关键字或实体的响应文本。大量的实验已经证明了我们的方法在推荐和会话任务上都有更好的性能。
2020-07-08 cs.AI cs.CL cs.IR
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
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
Improving Conversational Recommendation Systems via Counterfactual Data Simulation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；School of Information, Renmin University of China（中国人民大学信息学院）；Huawei Poisson Lab（华为泊松实验室）
针对对话推荐系统训练数据稀缺的问题，提出名为CFCRS的反事实数据模拟方法，基于对话流语言模型构建多阶段模拟器，结合课程式对抗训练生成增强数据，有效提升了多种CRS的性能。
2023-06-05 cs.CL cs.IR
Yes but.. Can ChatGPT Identify Entities in Historical Documents?
University of La Rochelle（拉罗谢尔大学）；EPFL（洛桑联邦理工学院）；University of Toulouse（图卢兹大学）
大语言模型（LLM）已经被利用了好几年，在从现代文档中识别实体方面获得了最先进的性能。在过去的几个月里，会话代理ChatGPT已经“引起”了科学界和公众的极大兴趣，因为它能够生成听起来可信的答案。在本文中，我们通过在主要来源的命名实体识别和分类（NERC）任务中探索这种能力（例如，历史报纸和经典评论），在一个zero-shot的方式，并通过比较它与国家的最先进的LM为基础的系统。我们的研究结果表明，在确定历史文本中的实体，范围从实体注释准则的一致性，实体的复杂性，和代码转换，提示的特异性的几个缺点。此外，正如预期的那样，公众无法查阅历史档案（因此也无法在互联网上查阅）也影响了其业绩。
2023-03-30 cs.CL cs.DL cs.IR
Abstract Compression of Conversational Audio Context for LLM-based ASR
本文研究了多模态上下文对基于LLM的ASR的提升效果及高效表示方法，提出抽象压缩技术以减少先前对话的音频负载，实验证明其在领域内和领域外数据集上均有效。
2026-10-21 cs.AI cs.CL cs.LG
Dialoging Resonance: How Users Perceive, Reciprocate and React to Chatbot's Self-Disclosure in Conversational Recommendations
Columbia University（哥伦比亚大学）；University of California, Davis（加州大学戴维斯分校）
使用聊天机器人提供推荐越来越受欢迎。推荐聊天机器人的设计主要是通过关注推荐内容本身来采取以信息为中心的方法。有限的关注是如何社会联系和关系策略，如聊天机器人的自我披露，可能会影响用户的感知和接受的建议。在这项工作中，我们设计、实现和评估了一个社交聊天机器人，它能够执行三个不同级别的自我披露：事实信息（低）、认知观点（中）和情感（高）。在评估中，我们招募了372名参与者与聊天机器人就两个主题进行对话：电影和COVID-19体验。在每个主题中，聊天机器人都会进行简短的谈话，并提出与主题相关的建议。参与者被随机分配到四个实验条件下，聊天机器人使用事实，认知，情感和适应策略来执行自我披露。通过训练文本分类器来实时识别用户的自我披露水平，自适应聊天机器人可以动态地将其自我披露与用户表现出的披露水平相匹配。我们的研究结果表明，当推荐聊天机器人在整个对话中始终显示情感时，用户会以更高级别的自我披露作为回报。聊天机器人的情感披露也导致了对机器人的更高的互动享受和更积极的人际感知，培养了更强的人与聊天机器人的关系，从而提高了推荐的有效性，包括更高的接受推荐的倾向。我们讨论了所获得的理解和影响，未来的设计。
2022-11-10 cs.AI cs.CL
Beyond WER: Entity and Disfluency Recall in Accented Conversational ASR
Stimuler
针对带口音对话式ASR，提出三阶段流水线，通过数据策展和区域LoRA适配器，将实体召回率提升至80-85%，填充词召回率提升至76-86%，并保持低WER。
2026-09-21 cs.CL cs.LG
Understanding User Preferences for Interaction Styles in Conversational Recommender Systems: The Predictive Role of System Qualities, User Experience, and Traits
School of Computer Science, University of Technology Sydney（技术科技大学计算机科学学院）；Australian Institute of Health Innovation, Macquarie University（麦觉里大学健康创新研究所）
本研究通过受试者内实验发现，愉悦感、有用性、新颖性和对话质量等预测用户对探索性交互的偏好，并识别出五种用户画像，为对话式推荐系统的自适应设计提供依据。
2025-08-04 cs.CL cs.HC cs.IR
