LLMs are Superior Feedback Providers: Bootstrapping Reasoning for Lie Detection with Self-Generated Feedback
Princeton University（普林斯顿大学）
提出一种利用LLM自生成反馈增强谎言检测推理能力的自举框架，通过建议、反馈收集和修改三阶段优化预测，在Diplomacy游戏中无需训练数据即提升lying-F1达39%，媲美监督学习。
2024-08-25 cs.AI cs.CL
Talking with Machines: A Comprehensive Survey of Emergent Dialogue Systems
University of California, Berkeley（加州大学伯克利分校）
本文全面综述对话系统的历史发展、核心方法、训练数据集及评估指标，涵盖传统系统与基于Transformer的先进方法，并展望未来挑战与前景。
2023-05-10 cs.CL
Thinking Clearly, Talking Fast: Concept-Guided Non-Autoregressive Generation for Open-Domain Dialogue Systems
Fudan University（复旦大学）
人类的对话包含不断发展的概念，说话者自然会将多个概念联系起来组成一个响应。然而，目前的seq 2seq框架的对话模型缺乏有效管理概念转换的能力，并且很难以顺序解码的方式将多个概念引入响应。为了促进可控和连贯的对话，在这项工作中，我们设计了一个概念引导的非自回归模型（CG-nAR）的开放域对话生成。所提出的模型包括一个多概念规划模块，学习识别多个相关联的概念，从概念图和定制的插入Transformer，执行概念引导的非自回归生成，以完成响应。在两个公共数据集上的实验结果表明，CG-nAR可以产生多样化和连贯的响应，在自动和人工评估中均优于最先进的基线，推理速度更快。
2021-09-09 cs.CL
Goal-Oriented Chatbot Dialog Management Bootstrapping with Transfer Learning
School of Computer and Communication Sciences, EPFL（洛桑联邦理工学院计算机与通信科学学院）；Swisscom AG（瑞士电信公司）
目标导向（GO）对话系统，俗称目标导向聊天机器人，帮助用户在封闭域中实现预定义的目标（例如预订电影票）。第一步是通过使用自然语言理解技术来理解用户的目标。一旦知道目标，机器人必须管理对话以实现该目标，该对话是根据学习的策略进行的。对话系统的成功取决于策略的质量，而策略的质量又依赖于策略学习方法（例如深度强化学习）的高质量训练数据的可用性。由于领域的特殊性，可用的数据量通常太低，无法培训良好的对话策略。在本文中，我们介绍了一种迁移学习方法，以减轻低域内数据可用性的影响。与没有迁移学习的模型相比，我们基于迁移学习的方法将机器人的成功率相对于远距离域提高了20%，而对于近距离域，我们的成功率提高了一倍多。此外，迁移学习聊天机器人学习策略的速度快了5到10倍。最后，由于迁移学习方法是补充额外的处理，如热启动，我们表明，他们的联合应用程序给出了最好的结果。
2018-07-24 cs.CL
Style-Talker: Finetuning Audio Language Model and Style-Based Text-to-Speech Model for Fast Spoken Dialogue Generation
Columbia University（哥伦比亚大学）；University of Rochester（罗切斯特大学）
本文提出Style-Talker框架，通过微调音频LLM和基于风格的TTS模型，结合用户输入音频的转录与语音风格生成响应，在保持对话自然度和连贯性的同时将速度提升50%以上。
2024-08-13 cs.AI cs.CL eess.AS
Transferable Dialogue Systems and User Simulators
University of Cambridge（剑桥大学）；Alibaba Group（阿里巴巴集团）
训练对话系统的困难之一是缺乏训练数据。我们探讨了通过对话系统和用户模拟器之间的交互来创建对话数据的可能性。我们的目标是开发一个建模框架，可以通过两个代理之间的自我发挥，将新的对话场景。在这个框架中，我们首先在源域对话的集合上对两个代理进行预训练，这使得代理能够通过自然语言相互交谈。通过对少量目标域数据的进一步微调，代理继续进行交互，目的是使用具有结构化奖励函数的强化学习来改善其行为。在MultiWOZ数据集上的实验中，研究了两个实际的迁移学习问题：1）领域自适应和2）单域到多域迁移。我们证明了所提出的框架是非常有效的引导性能的两个代理迁移学习。我们还表明，我们的方法导致对话系统性能的改善，在完整的数据集。
2021-07-25 cs.AI cs.CL
Human-1 by Josh Talks: A Full-Duplex Conversational Modeling Framework in Hindi using Real-World Conversations
JoshTalks
本文通过适配Moshi架构，使用自定义印地语分词器和26,000小时真实对话数据训练，提出了首个开放、可复现的印地语全双工口语对话系统，实现了自然的打断、重叠和反馈行为。
2026-09-28 cs.AI cs.CL
Domain-Adapted Retrieval for In-Context Annotation of Pedagogical Dialogue Acts
Cornell University（康奈尔大学）
本文提出一种领域适应的RAG流水线，用于教学对话行为标注，通过轻量级嵌入模型在对话层面索引以提高标注精度，实验显示其在两个真实教学对话数据集上显著优于无检索基线。
2026-04-03 cs.AI cs.CL
Towards a Metric for Automated Conversational Dialogue System Evaluation and Improvement
Zurich University of Applied Sciences（苏黎世应用科技大学）
我们提出了“自动判断”，会话对话系统的自动评估方法。该方法通过首先基于自对话（即，对话系统与自身对话）生成对话来工作。然后，它使用人类对这些对话的评分来训练自动判断模型。我们的实验表明，AutoJudge与人类评级相关性很好，可以用来自动评估对话系统，即使在部署的系统。在第二部分中，我们尝试应用自动判断来改进现有系统。这对于重新排序一组候选话语很有效。然而，我们的实验表明，AutoJudge不能作为强化学习的奖励，尽管该指标可以区分好与坏的对话。我们讨论了潜在的原因，但在这里已经指出，这仍然是一个有待进一步研究的开放问题。
2020-06-25 cs.AI cs.CL cs.LG
BBQ-Networks: Efficient Exploration in Deep Reinforcement Learning for Task-Oriented Dialogue Systems
我们提出了一种新算法，可以显著提高对话系统中深度Q学习代理的探索效率。我们的智能体通过汤普森采样进行探索，从贝叶斯反向传播神经网络中提取蒙特卡罗样本。我们的算法比常见的探索策略（如ε-greedy，Boltzmann，bootstrapping和基于内在奖励的策略）学习得更快。此外，我们还证明了，在重放缓冲区中加入一些成功的经验，可以使Q学习在可能失败的情况下变得可行。
2017-11-20 cs.AI cs.CL cs.LG
Searching for Snippets of Open-Domain Dialogue in Task-Oriented Dialogue Datasets
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；Laboratoire Interdisciplinaire des Sciences du Numérique（数字科学跨学科实验室）
本研究通过主题建模探索Schema-Guided Dialogues和MultiWOZ训练集，发现面向任务对话数据中自然存在社交闲聊序列，为闲聊与任务对话的结合研究提供了依据。
2023-11-23 cs.CL
Talk With Human-like Agents: Empathetic Dialogue Through Perceptible Acoustic Reception and Reaction
School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院）；State Key Laboratory of Cognitive Intelligence（认知智能国家重点实验室）；School of Data Science, University of Science and Technology of China（中国科学技术大学数据科学学院）；Tencent Youtu Lab（腾讯优图实验室）
针对现有多模态对话系统忽略语音声学信息易导致意图误解的问题，本文提出以LLM为核心、整合语音感知的共情对话系统PerceptiveAgent，可准确识别说话者真实意图，生成更细腻的对话，代码已开源。
2024-06-18 cs.AI cs.CL cs.SD
Let's Go Real Talk: Spoken Dialogue Model for Face-to-Face Conversation
KAIST（韩国科学技术院）
本文提出首个不依赖中间文本的面对面口语对话模型，并发布包含约340小时、约9,000段对话的大规模多模态语料库MultiDialog，通过语音-文本联合预训练适配大语言模型，实验验证了其在面对面交谈中的有效性。
2024-08-02 cs.AI cs.CV cs.HC
Talking to Machines: do you read me?
Université de Lorraine（洛林大学）；Université de Lille（里尔大学）；Cohere（Cohere公司）；INRIA-Paris（法国国家信息与自动化研究所巴黎分部）；University of Trento（特伦托大学）；LORIA（洛林计算机科学与应用实验室）；CNRS（法国国家科学研究中心）
本文综述作者在对话智能体领域的研究，涵盖任务导向对话、对话式问答及面向多模态任务导向对话的LLMs。
2024-07-02 cs.AI cs.CL cs.HC
Are You Talking to Me? Reasoned Visual Dialog Generation through Adversarial Learning
Australian Centre for Robotic Vision, The University of Adelaide（阿德莱德大学澳大利亚机器人视觉中心）；Northwestern Polytechnical University（西北工业大学）
视觉对话任务要求智能体与人类进行关于图像的对话。它代表了可视问答任务的扩展，因为智能体需要回答关于图像的问题，但是它需要根据已经发生的先前对话来这样做。因此，视觉对话的关键挑战是保持一致和自然的对话，同时继续正确回答问题。我们提出了一种结合强化学习和生成对抗网络（GANs）的新方法，以生成更像人类的问题回答。GAN有助于克服训练数据的相对缺乏，以及典型的基于MLE的方法生成过于简洁的答案的趋势。重要的是，GAN紧密集成到注意力机制中，该机制为每个答案生成人类可解释的原因。这意味着GAN的判别模型具有评估候选答案是否由人类生成的任务，给出所提供的原因。这很重要，因为它驱动生成模型产生高质量的答案，这些答案得到相关推理的很好支持。该方法还在主要基准上生成最先进的结果。
2017-11-21 cs.AI cs.CL cs.CV
User Willingness-aware Sales Talk Dataset
CyberAgent（赛博agent公司）；Tohoku University（东北大学）
针对现有销售对话系统缺乏用户意愿建模及可靠标注数据的问题，本文基于生态效度构建了用户意愿感知的销售对话数据集，并据此开发评估了旨在提升用户购买意图的销售对话系统。
2024-12-27 cs.CL cs.HC
Building End-To-End Dialogue Systems Using Generative Hierarchical Neural Network Models
Université de Montréal（蒙特利尔大学）；McGill University（麦吉尔大学）
我们调查的任务，建立开放的领域，会话对话系统的基础上使用生成模型的大型对话语料库。生成模型产生的系统响应是逐字自动生成的，为现实的，灵活的交互开辟了可能性。为了支持这一目标，我们将最近提出的分层递归编码器-解码器神经网络扩展到对话域，并证明该模型与最先进的神经语言模型和退避n元模型具有竞争力。我们研究了这种方法和类似方法的局限性，并展示了如何通过从更大的问答对语料库和预训练的词嵌入中引导学习来提高其性能。
2016-04-06 cs.AI cs.CL cs.LG
Building a Conversational Agent Overnight with Dialogue Self-Play
Google AI（谷歌人工智能）
我们提出了机器对机器（M2M），一个框架相结合的自动化和众包，以快速引导端到端的对话代理在任意领域的目标为导向的对话。M2M仅通过任务模式和来自对话系统开发人员的API客户端扩展到新任务，但它也可以定制以满足特定于任务的交互。与用于数据汇集的绿野仙踪方法相比，M2M实现了显著对话流的更大多样性和覆盖率，同时保持了个体话语的自然性。在第一阶段中，模拟的用户机器人和领域不可知的系统机器人进行对话，以详尽地生成对话“大纲”，即模板话语及其语义解析的序列。在第二阶段，人群工作者提供对话的上下文重写，使话语更自然，同时保留其意义。整个过程可以在几个小时内完成。我们提出了一个新的语料库的3,000对话跨越2个领域收集与M2M，并提出与流行的对话数据集的表面形式和对话流的质量和多样性的比较。
2018-01-15 cs.AI cs.CL
Talk Less, Call Right: Enhancing Role-Play LLM Agents with Automatic Prompt Optimization and Role Prompting
SCBX R&D（SCBX研发部）；SCB 10X R&D（SCB 10X研发部）
针对角色扮演对话代理中过度发言和工具调用失效的问题，本文提出基于规则的角色提示（RRP）方法，通过角色卡/场景契约设计和严格函数调用约束，显著提升了代理性能与可靠性。
2025-10-12 cs.AI cs.CL cs.HC
Hexa: Self-Improving for Knowledge-Grounded Dialogue System
Korea University（高丽大学）；Kakao Brain；KRAFTON；Georgia Institute of Technology（佐治亚理工学院）
针对知识接地对话中中间步骤真值数据缺失的问题，本文提出Hexa自我改进方法，通过引导式提示与改进损失函数进行自举训练，提升中间及最终回复生成性能。
2024-04-02 cs.AI cs.CL cs.LG
BootTOD: Bootstrap Task-oriented Dialogue Representations by Aligning Diverse Responses
Beijing University of Posts and Telecommunications（北京邮电大学）；Meituan（美团）
针对任务型对话预训练中对比框架依赖正负样本且缺乏多样性的问题，本文提出 BootTOD，通过自举对齐上下文与上下文加响应表示并利用多响应目标建模一对多多样性，在下游任务上超过 TOD 基线。
2024-03-02 cs.CL
Out-of-Domain Intent Detection Considering Multi-Turn Dialogue Contexts
Alibaba Group（阿里巴巴集团）
本文提出上下文感知的域外意图检测框架Caro，通过信息瓶颈和多视图学习建模多轮对话上下文，并利用无标签数据自举训练，将F1-OOD分数提升超过29%。
2024-02-23 cs.AI cs.CL cs.LG
End to End Dialogue Transformer
对话系统试图促进人类和计算机之间的对话，用于从闲聊到预订假期的各种目的。我们在这里受到基于递归神经网络的模型Sequicity的性能的启发，该模型在进行对话时使用序列到序列架构，首先生成对话中正在进行的内容的文本表示，并在进一步的步骤中使用此与数据库结果一起生成对用户的回复。我们在这里提出了一个基于Transformer架构的对话系统，而不是Sequicity基于RNN的架构，它以端到端、序列到序列的方式工作。
2020-08-24 cs.CL
SalesBot: Transitioning from Chit-Chat to Task-Oriented Dialogues
National Taiwan University（国立台湾大学）；MediaTek Research（联发科研究院）
对话系统通常分为两种类型，开放域和面向任务的。第一个重点是与用户聊天，让他们参与对话，其中选择一个合适的话题，以适应对话的背景是一个成功的对话至关重要。另一个专注于特定的任务，而不是随意的谈话，例如，周五晚上看电影或者放首歌这两个方向由于目的不同而被分开研究。然而，如何从社交聊天顺利过渡到任务导向的对话对于触发商业机会很重要，目前还没有公开数据关注此类场景。因此，本文的重点是调查从开放域社交聊天开始，然后逐渐过渡到面向任务的目的，并发布了一个大规模的数据集，详细的注释，以鼓励这一研究方向。为了实现这一目标，本文提出了一个框架，自动生成许多对话，没有人的参与，任何强大的开放域对话生成模型可以很容易地利用。人工评估表明，我们生成的对话数据具有合理质量的自然流动，表明我们发布的数据具有指导未来研究方向和商业活动的巨大潜力。此外，发布的模型允许研究人员在目标场景中自动生成无限对话，这可以大大有利于半监督和无监督方法。
2022-04-22 cs.AI cs.CL
Teaching Models new APIs: Domain-Agnostic Simulators for Task Oriented Dialogue
Facebook AI Research（Facebook AI研究院）；Facebook Reality Labs
我们证明，大语言模型能够模拟面向任务的对话在新的领域，只提供一个API实现和目标列表。我们表明，这些模拟可以制定在线，自动的指标，以及与人类的评价。此外，通过检查是否满足用户的目标，我们可以使用模拟来重复生成训练数据并提高模拟本身的质量。在没有人为干预或特定领域的训练数据的情况下，我们的模拟引导端到端模型，在以前看不见的领域中实现了37%的错误减少。通过包含多达32个特定于领域的会话，自举模型可以与具有$10\times$更多数据的全监督模型的性能相匹配。据我们所知，这是第一次模拟被证明在引导模型时是有效的，而不需要任何特定领域的训练数据、规则工程或人工参与。
2021-10-13 cs.CL
Talking to a Know-It-All GPT or a Second-Guesser Claude? How Repair reveals unreliable Multi-Turn Behavior in LLMs
Computational Linguistics, Department of Linguistics（计算语言学系，语言学系）
研究探讨LLMs在解决可解和不可解数学问题的多轮对话中进行修复的交互过程，发现不同模型对修复的反应差异显著，行为随对话轮次增加而更不可预测。
2026-04-22 cs.AI cs.CL
Semantic Delta: An Interpretable Signal Differentiating Human and LLMs Dialogue
School of Industrial Engineering Intelligence, Complexity and Technology Lab (ICT Lab)（工业工程智能、复杂性与技术实验室）
本文提出一种可解释的统计特征，通过语义类别分布差异区分人类和LLM生成的对话，利用语义delta衡量主题集中度，发现LLM生成内容主题更集中，人类对话更广泛平衡。
2026-03-20 cs.AI cs.CL
Synthetic Dialogue Dataset Generation using LLM Agents
Macquarie University（麦考瑞大学）；Deakin University（迪肯大学）；The University of Melbourne（墨尔本大学）
针对普通用户难以为自身问题构建线性规划模型的痛点，提出利用两个LLM智能体分别模拟用户与对话助手生成合成对话数据集的方法，经多维度评估验证对话质量良好，相关资源与基线模型已对外开放。
2024-01-30 cs.AI cs.CL
We are what we repeatedly do: Inducing and deploying habitual schemas in persona-based responses
University of Rochester（罗切斯特大学）
针对对话系统需按指定人设生成回复的问题，本文提出用显式模式表示习惯性知识，检索相关模式条件化大语言模型生成人设回复，并展示从简单事实引导创建模式的方法。
2023-10-10 cs.AI cs.CL
Continual Dialogue State Tracking via Reason-of-Select Distillation
The Hong Kong Polytechnic University（香港理工大学）；Fano Labs（范诺实验室）
针对对话状态跟踪中的灾难性遗忘和“Value Selection Quandary”问题，提出Reason-of-Select蒸馏方法，通过增强小模型的元推理能力、领域引导及两项改进策略，有效缓解遗忘并实现可靠知识转移，实验证明其性能与泛化能力卓越。
2024-10-16 cs.CL
AudioGPT: Understanding and Generating Speech, Music, Sound, and Talking Head
Zhejiang University（浙江大学）；Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）；Remin University of China（中国人民大学）
本文提出多模态系统 AudioGPT，将 ChatGPT 与音频基础模型及 ASR/TTS 接口结合，支持多轮语音、音乐、声音和说话人头像理解与生成，并验证其一致性、能力与鲁棒性。
2023-04-25 cs.AI cs.CL cs.SD
Really? Well. Apparently Bootstrapping Improves the Performance of Sarcasm and Nastiness Classifiers for Online Dialogue
University of California, Santa Cruz（加州大学圣克鲁兹分校）
网络上越来越多的信息是对话式的，从Facebook新闻源到论坛对话，再到新闻文章的评论线程。与传统的、单一的自然语言处理资源（如新闻）相比，社交媒体中频繁出现高度社交化的对话，这使其成为NLP的一个挑战。本文测试了一种最初在独白领域提出的自举方法，用于训练分类器识别对话中两种不同类型的主观语言：讽刺和下流。我们探索两种方法，开发语言指标，用于第一级分类器，旨在最大限度地提高精度的代价召回。第一阶段的表现最好的分类器达到54%的准确率和38%的讽刺话语召回。然后，我们从以前的工作中使用一般的句法模式，以创建更一般的讽刺指标，提高准确率为62%，召回率为52%。为了进一步测试该方法的通用性，我们将其应用于引导一个用于肮脏对话行为的分类器。我们的第一阶段，使用众包讨厌的指标，实现了58%的准确率和49%的召回率，当我们使用广义语法模式引导第一级时，准确率和召回率分别提高到75%和62%。
2017-08-29 cs.CL
Talking to Yourself: Defying Forgetting in Large Language Models
Zhejiang University（浙江大学）；Binjiang Institute of Zhejiang University（浙江大学滨江学院）；Om AI Research（奥姆人工智能研究）；Stanford University（斯坦福大学）；ETH Zürich（苏黎世联邦理工学院）
本文提出SA-SFT方法，通过让LLM生成自我对话来缓解微调过程中的灾难性遗忘，提升领域性能并优于现有基线方法。
2026-01-23 cs.AI cs.CL
InterroLang: Exploring NLP Models and Datasets through Dialogue-based Explanations
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland Informatics Campus（萨尔兰信息学园区）；Technische Universität Berlin（柏林工业大学）
本文提出InterroLang，通过适配TalkToModel框架至NLP领域并添加自由文本理性化等操作，支持用户以对话方式探索模型与数据集，并在三项NLP任务上验证其泛化性，用户研究表明对话式解释比一次性解释更有效。
2023-10-23 cs.AI cs.CL cs.HC
A Survey of Document Grounded Dialogue Systems (DGDS)
Harbin Institute of Technology（哈尔滨工业大学）
对话系统（DS）因其广泛的应用前景而受到工业界和学术界的极大关注。研究人员通常根据功能对DS进行划分。然而，许多对话需要DS在不同的功能之间切换。例如，电影讨论可以从闲聊转变为问答，会话式推荐可以从闲聊转变为推荐等，因此，根据功能进行分类可能不足以帮助我们理解当前的发展趋势。我们基于背景知识对DS进行分类。具体来说，研究基于非结构化文档的最新DS。本文将基于文档的对话系统定义为对话以给定文档为中心的对话系统。DGDS可以用于场景，如谈论商品对产品手册，评论新闻报道等，我们认为，提取非结构化的文档（S）的信息是未来的发展趋势，因为大量的人类知识在于这些文档（S）。DGDS的研究不仅具有广阔的应用前景，而且有助于人工智能更好地理解人类知识和自然语言。本文分析了DGDS的分类、体系结构、数据集、模型和未来发展趋势，希望对该领域的研究者有所帮助。
2020-04-17 cs.AI cs.CL cs.LG
Adversarial Bootstrapping for Dialogue Model Training
Capital One Conversation Research（第一资本对话研究部）
开放域神经对话模型尽管取得了成功，但已知会产生缺乏相关性、多样性和在许多情况下缺乏连贯性的反应。这些缺点源于常见训练目标直接表达这些属性的能力有限，以及它们与训练数据集和模型架构的相互作用。为了解决这些问题，本文提出了一个对话响应生成器与adversarially训练的自举。该方法涉及在自回归和传统教师强制模式下训练神经发生器，其中自回归输出的最大似然损失由基于度量的神经网络模型的分数加权。该自回归输入是地面真值标签、生成器的教师强制输出和从数据集采样的干扰项的混合，从而允许对生成器的自回归输出进行更丰富的反馈。为了改进对自回归输出的校准，我们还通过匹配地面真值的中间特征和发生器的自回归输出来引导自回归。我们在训练过程中探索不同的采样和对抗策略优化策略，以了解如何在不牺牲相关性的情况下鼓励响应多样性。我们的实验表明，对抗性自举在解决暴露偏差方面是有效的，从而改善了反应的相关性和一致性。这种改进通过Movie和Ubuntu对话数据集上关于人类评估和BLUE、ROGUE以及不同的n-gram分数的最先进的结果来证明。
2019-09-04 cs.CL cs.LG
Insight: Enhancing Mobile Accessibility for Blind and Visually Impaired Users with LLMs
Arizona State University（亚利桑那州立大学）
本文提出Insight，一种基于LLM的Android无障碍服务，通过自然语言交互和实时屏幕摘要提升视障用户体验，实验显示其在减少心理努力和任务时间方面优于TalkBack。
2026-05-10 cs.AI cs.HC
Same Words, Different Actions: Paired Turn-Taking Evaluation under Rewritten Dialogue Contexts
Zuoyebang Education Technology（作业帮教育科技）
针对全双工对话中话轮转换评估忽视上下文的问题，提出配对基准ECHO和配对准确率指标，揭示多数系统偏向让出，打断评估会高估可靠性。
2026-09-25 cs.CL
NeMo Guardrails: A Toolkit for Controllable and Safe LLM Applications with Programmable Rails
NVIDIA（英伟达）
本文介绍NeMo Guardrails，一个开源工具包，通过可编程护栏控制LLM输出，实现可控且安全的对话系统，并验证其与多个LLM提供商的兼容性。
2023-10-16 cs.AI cs.CL
Zero-Shot Goal-Directed Dialogue via RL on Imagined Conversations
UC Berkeley（加州大学伯克利分校）
针对大语言模型难以胜任多轮目标导向对话的问题，提出利用LLM生成类人合成对话轨迹、结合离线强化学习训练智能体的方法，在教学、偏好引导等任务中取得SOTA性能。
2023-11-09 cs.AI cs.CL cs.LG
TeachLM: Post-Training LLMs for Education Using Authentic Learning Data
Polygence；Stanford University（斯坦福大学）
针对大语言模型教育应用缺乏真实训练数据的问题，提出TeachLM，利用10万小时真实师生互动数据微调模型，显著提升对话教学性能。
2025-10-06 cs.AI cs.CL
Enabling Automatic Self-Talk Detection via Earables
Korea University of Technology and Education（韩国科学技术教育大学）；Korea University of Technology（韩国科学技术大学）
针对日常生活中自我对话难以检测的问题，提出移动系统MutterMeter，采用分层分类架构整合多维度信息，基于首创数据集评估，宏平均F1达0.84，性能优于传统方法。
2025-11-10 cs.AI cs.SD
Bridging Talk and Thought: Understanding Dialogue Dynamics Across Collaborative Problem-Solving Contexts
Nanyang Technological University（南洋理工大学）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）；National University of Singapore（新加坡国立大学）
提出一个双层编码框架，整合认知与非认知问题解决及元认知调节机制，分析人机与多智能体协作对话，发现元认知调节是深度协作的关键区分因素。
2026-06-26 cs.AI cs.CL
Chat More If You Like: Dynamic Cue Words Planning to Flow Longer Conversations
Institute of Computer Science and Technology, Peking University（北京大学计算机科学技术研究所）；Beijing Xiaomi Mobile Software（北京小米移动软件有限公司）
构建一个开放域的多话轮会话系统是人工智能领域最有趣和最具挑战性的研究课题之一。许多研究工作致力于构建这样的对话系统，但很少有人阐明在一个正在进行的对话中的会话流建模。此外，人们在谈话中谈论高度相关的方面是很常见的。而且话题连贯、漂移自然，这说明了对话流建模的必要性。为此，我们提出了多轮提示词驱动的会话系统与强化学习方法（RLCw），努力选择一个自适应的提示词与最大的未来信用，从而提高质量的生成的反应。我们引入了一个新的奖励来衡量的有效性和相关性方面的线索词的质量。为了进一步优化模型的长期会话，本文采用了强化的方法。在真实数据集上的实验表明，我们的模型在模拟转弯、多样性和人类评估方面始终优于一组竞争基线。
2018-11-19 cs.CL
Do We Talk to Robots Like Therapists, and Do They Respond Accordingly? Language Alignment in AI Emotional Support
Department of Computer Science；Technology, University of Cambridge Cambridge UK；Technology, University of Cambridge
本研究通过对比机器人与人类治疗师的对话数据，发现90.88%的机器人披露可映射到人类治疗聚类，表明两者在主题和语义上高度对齐，机器人有潜力辅助心理健康干预。
2025-06-19 cs.AI cs.CL cs.HC
Distinct Profiles of Run-to-Run Score Reliability and Expert-Panel Alignment Across Four LLM Evaluators of Simulated Japanese-Language AI-to-AI Counseling
Japan National Institute of Occupational Safety and Health（日本国立职业安全卫生研究所）；Kaze To Taiyo（凯泽・太阳）；Saga Occupational Health Association（Saga职业健康协会）；Department of Pharmacy, Zikei Hospital/Zikei Institute of Psychiatry（药剂科，Zikei医院/Zikei精神医学研究所）；Department of Medical Welfare, Suzuka University of Medical Science（医疗福祉科， Suzuka医科大学）；Graduate School of Human Sciences, Ritsumeikan University（人类科学研究生院，立命馆大学）；Faculty of Nursing, National Defense Medical College（护理学部，国家防卫医疗大学）；Support Center for Students with Disabilities, Aoyama Gakuin University（残疾学生支持中心，上智大学）
研究通过人工智能生成的18份固定日语咨询对话记录，对比GPT - minimal、GPT - SMDP和Claude - SMDP三种情况，咨询专家与新的语言模型分别评级，发现SMDP对话在多方面获更高专家评级，语言模型评级可重复但偏宽松。
2026-08-28 cs.AI cs.CL cs.HC
Talk the Walk: Navigating New York City through Grounded Dialogue
MILA, Université de Montréal（蒙特利尔大学MILA）；Georgia Institute of Technology（佐治亚理工学院）；Facebook AI Research（Facebook人工智能研究院）
我们介绍“Talk The Walk”，这是第一个基于行动和感知的大规模对话数据集。该任务涉及两个代理（“向导”和“游客”），它们通过自然语言进行通信，以实现一个共同的目标：让游客导航到给定的目标位置。详细描述的任务和数据集是具有挑战性的，其完整解决方案是我们向社区提出的开放问题。我们（一）专注于旅游本地化的任务，并开发新的掩蔽注意力空间卷积（MASC）机制，允许接地旅游话语到指南的地图，（二）显示它产生显着的改善，为紧急和自然语言通信，和（iii）使用这种方法，我们建立非平凡的基线上的全部任务。
2018-12-23 cs.AI cs.CL cs.CV
A Multimodal Conversational Agent for Tabular Data Analysis
ITMO University（ITMO大学）
Talk2Data是一种多模态对话代理，通过语音和文本交互实现表格数据分析，结合LLM、ASR、代码生成和TTS技术，提供多轮对话和可验证计算。
2025-11-23 cs.AI cs.HC cs.IR
Talking with Language Models
University of Oxford（牛津大学）；Magdalen College, Oxford（牛津大学莫德林学院）；University of Missouri（密苏里大学）；University of Hong Kong（香港大学）
本文提出“人工制品立场”框架，重新定义人机交互为候选文本交换，指出LLM并非对话者，从而消解相关哲学难题，并强调设计、采用与使用的规范性基础。
2026-10-08 cs.AI cs.CL cs.CY
Talking Past the Machine: Morality, Politeness, and Alignment in Human-AI Dialogue
Arizona State University（亚利桑那州立大学）
本研究通过分析人机与人际对话数据，发现AI仅模拟合作表面，缺乏深层社会机制，且部分合作机制在人机中反向运行，强调能动性是对齐的关键。
2026-09-21 cs.AI cs.CL
Transfer-Free Data-Efficient Multilingual Slot Labeling
Language Technology Lab, University of Cambridge（剑桥大学语言技术实验室）
针对多语言任务导向对话中无英文数据时的槽位标注难题，提出两阶段方法TWOSL，将句子编码器转为跨度编码器并重构为跨度分类，在少样本无迁移场景下高效且鲁棒。
2023-11-12 cs.CL
What if Red Can Talk? Dynamic Dialogue Generation Using Large Language Models
University of Southern California（南加州大学）；University of Maryland（马里兰大学）
本研究提出一个由知识图谱增强大语言模型的对话填充框架，在《最终幻想7重制版》和《宝可梦》中验证了GPT-4生成动态角色对话的能力，旨在提升RPG玩家沉浸感。
2024-07-29 cs.CL
Multi-Party Chat: Conversational Agents in Group Settings with Humans and Models
Cornell University（康奈尔大学）；Meta AI；DeepMind（深度思维）
针对现有对话研究多聚焦两方对话、缺乏多方群体场景研究的问题，该研究基于LIGHT环境构建MultiLIGHT多方角色扮演对话数据集，验证了该数据集可显著提升模型在群体对话中的发言决策与连贯表达能力。
2023-06-08 cs.CL cs.LG
Enhancing Talk Moves Analysis in Mathematics Tutoring through Classroom Teaching Discourse
School of Computer Science, University of Oklahoma（俄克拉荷马大学计算机科学学院）；Institute of Cognitive Science, University of Colorado Boulder（科罗拉多大学博尔德分校认知科学研究所）
本研究提出紧凑数据集SAGA22，利用课堂数据预训练及上下文与说话者信息，提升数学辅导中对话动作分析的模型性能。
2024-12-18 cs.AI cs.CL cs.HC
