本文是来自于FAIR的一篇关于个性化chitchat对话系统数据集PERSONA-CHAT的论文，发表于ACL2018，论文主要是创建了一个全新的带有对话双方个性的对话数据集，并提供了一些基线模型。基于此数据集，在NIPS2018上举行了 ConvAI2 评测。 paper linkdataset link
本文是文本风格迁移问题的一个尝试，提出了两个模型，核心点在于如何从文本中分离内容特征和风格特征，作者使用了对抗网络来解决这个问题。同时作者建立了paper-news、positive-negative review两个数据集，提出了文本风格迁移两个指标：transfer strength、content preservation，实验证明，与auto-encoder相比，作者提出的模型在内容保存度上接近，在风格迁移度上大幅提高。paper link
本文提出了一个端到端的基于memory network和指针网络的对话生成模型，结合多跳注意力机制和指针网络，从对话历史和词汇表中生成回复。ACL2018paper linkcode link
这两篇文章分别来自 DSTC7 评测任务1 Sentence Selection 中排名第一和第二的团队，阿里巴巴达摩院以及Palo Alto研究中心。该任务重点关注了面向目标的对话系统中的回复选择问题，参赛者需要结合给定的对话片段在给出的一组候选回复中选择最符合的一个应答。这两个模型分别属于多轮对话的回复选择中基于序列的方法和基于层次的方法。Sequential Attention-based Network for Noetic End-to-End Response SelectionComparison of Transfer-Learning Approaches for Response Selection in Multi-Turn Conversations
本文主要研究的是将情感融入到开放域对话生成中，模型主要包含：对情感进行编码，捕获隐式地情感状态变化，使用显式地外部情感词汇；实验证明本文提出的模型（ECM）在生成内容和情感上都取得了一定的效果。paper linkcode link
本文是ACL2018上的文章，主要研究对话领域选择回复的问题，作者提出了DAM模型，主要通过stacked self-attention获取不同维度的表征，从而得到self-attention matching matrix和cross-attention matching matrix，取得了不错的效果。paper linkcode link
本文在传统的基于数据驱动的对话系统中引入了背景知识，试图增加对话回复的有效信息。AAAI2018paper link
本文是Wechat AI团队发表的基于DSTC7中第二个评测Sentence Generation 的论文，发表在AAAI2019上。研究的主要问题是基于背景知识的对话生成，主要通过指针生成机制和注意力机制从对话历史和背景知识中来生成更加有意义的回复。 paper link
本文研究的是基于大规模常识知识图谱的开放域对话系统，作者在传统的encoder-decoder模型中增加静态图注意力和动态图注意力机制。给定用户的一段输入，该模型从常识知识图谱中检索出相关的子图，进行静态图注意力编码，进而增强对用户输入的语义理解。然后在生成的过程中，模型通过动态的图注意力机制与检索出来的知识图谱以及其中的三元组进行交互。与之前的方法相比，本模型是把一个知识图谱看作一个整体，而不是单独的使用图谱中三元组。paper linkcode link
本文是来自于AAAI 2019关于在任务型对话中引入个性化的文章，主要通过用户profile建模来实现个性化回答和语义消歧。